spark踩坑记录 (一) group by

mysql 与 spark sql 语法大致相通。但是会有一些坑存在。比如 group by

·

需求场景：

在视屏表中，取每个作者最新的一条数据。

即， 筛选出 所有  user_id对应的  最新的（通过create_time 倒序取）一条数据。

·

mysql中：

select user_id,site,create_time
from ( select user_id, site, create_time   
       from table_video
       where dt =20210909 and user_id is not null 
       order by create_time desc ) a
group by user_id

·

mysql --> Spark 产生异常：

但是， 同样的代码 进入 spark 就会报异常：

org.apache.spark.sql.AnalysisException:
expression 'a.`site`' is neither present in the group by, nor is it an aggregate function. 
Add to group by or wrap in first() (or first_value)

·

网上搜索后得知：

mySQL 语句中少了一个分组,   spark 中的sql用的是美式标准的sql。

说是需要将 查询的字段，都加在 group by 后面：

select user_id,site,create_time
from ( select user_id, site, create_time   
       from table_video
       where dt =20210909 and user_id is not null
       order by create_time desc ) a
group by user_id,site,  create_time

但最终查询的结果并不满足我们场景需要的内容：

`

         最终分组是根据 三列属性来分组，如果他们的数据个数分别是：k、m、n个，那查询的行数是 k*m*n个；

不符合我们期待的k个user_id对应的最新记录。

`

正确解决： 

在spark中，site等 几列在 group by user_id  时，会有多个查询结果：

• 如果都需要，就获取其余几列对应的属性值集合： collect_set(site), collect_list(create_time)  -- 前者去重，后者不去重
• 如果不需要全部，只是取随机一行里的属性值：first(site)   【不同于 MySQL 默认的第一行】

·

Spark中：

select user_id, first(site), first(create_time)
from ( select user_id, site, create_time   from table_video
              where dt =20210909 and user_id is not null 
              order by create_time desc ) a
group by user_id

·

Spark中复杂嵌套：

如果外部有嵌套，最好给几列属性，内部另起别名/或者 外部也得使用 dtpv.first(site) 。否则在外面 直接用 dtpv.site 会报错

select  dta.user_id, dta.user_name, dtpv.site,  dtpv.create_time as update_time
from tv_author AS dta
LEFT JOIN (
  select user_id, first(site) as site, first(create_time) as create_time
  from ( select user_id,site,create_time   from  table_video
              where dt =20210909 and user_id is not null 
              order by create_time desc ) a
  group by user_id
) AS dtpv
on dtpv.user_id = dta.user_id
where dta.dt = 20210909