目录
一. DataFrame 详解
1. 数据清洗API
1.1 去重 :
DropDupilcates :
init_df.dropDuplicates().show()
init_df.dropDuplicates(subset=["id","name"]).show()用来删除重复数据。如果没有指定参数subset,那么要比对行中的所有字段内容,
如果全部相同,就认为是重复数据,会被删除;如果有指定参数subset,那么只比对subset中指定的字段范围
1.2 去除空:
Dropna:
init_df.dropna().show()
init_df.dropna(subset=["id","name"]).show()init_df.dropna(thresh=2,subset=["name","age","address"]).show()
init_df.dropna(thresh=2).show()dropna(thresh,subset):删除缺失值数据.
1- 如果不传递任何参数,只要有任意一个字段值为null,那么就删除整行数据
2- 如果只指定了subset,那么空值的检查,就只会限定在subset指定的范围内
3- 如果只指定了thresh,那么空值检查的这些字段中,至少需要有thresh(>=thresh)个字段的值不为空,才不会被删除
1.3 填充替换 :
fillna :
init_df.fillna(value=999).show()
init_df.fillna(value=999,subset=["id","name"]).show()
init_df.fillna(value={"id":111,"name":"未知姓名","age":100,"address":"北京"}).show()fillna(value,subset):替换缺失值数据
value:必须要传递参数.是用来填充缺失值的
subset:限定缺失值替换范围
注意:
1-value如果不是字典,那么只会替换字段类型匹配的空值
2-最常用的是value传递字典的形式
2. SparkSQL的shuffle分区设置
如何调整shuffle分区数量呢? spark.sql.shuffle.partitions
方案二(常用,推荐使用): 在客户端通过submit命令提交的时候, 动态设置shuffle的分区数量。部署、上线的时候、基于spark-submit提交运行的时候
./spark-submit --conf "spark.sql.shuffle.partitions=20"
方案三(比较常用): 在代码中设置。主要在测试环境中使用, 但是一般在部署上线的时候, 会删除(写死)。优先级也是最高的。一般的使用场景是,当你的数据量未来不会发生太大的波动。
sparkSession.conf.set('spark.sql.shuffle.partitions',20)
3 . SparkSQL 数据写出操作
3.1 写出到文件系统
常用参数说明:
1- path:指定结果数据输出路径。支持本地文件系统和HDFS文件系统
2- mode:当输出目录中文件已经存在的时候处理办法
2.1- append:追加。如果文件已经存在,那么继续在该目录下产生新的文件
2.2- overwrite:覆盖。如果文件已经存在,那么就先将已有的文件清除,再写入进去
2.3- ignore:忽略。如果文件已经存在,那么不执行任何操作
2.4- error:报错。如果文件已经存在,那么直接报错。会报错AnalysisException: path file:xxx already exists.
3- sep:字段间的分隔符
4- header:数据输出的时候,是否要将字段名称输出到文件的第一行。推荐设置为True
5- encoding:文件输出的编码方式
对应的简写API格式如下,以CSV为例:
init_df.write.csv(
path='存储路径',
mode='模式',
header=True,
sep='\001',
encoding='UTF-8'
)
# 数据输出到文件系统:复杂API
设置mode,需要单独调用mode()方法
result.write\
.format('json')\
.mode("overwrite")\
.option("encoding","UTF-8")\
.save('存储路径')
3.2 写出到数据库
# 数据输出到数据
创建数据库命令:create database 库名 character set utf8;
result.write.jdbc(
url='jdbc:mysql://node1:3306/库名?useUnicode=true&characterEncoding=utf-8',
table='表名',
mode='append',
properties={ 'user' : '用户名', 'password' : '密码' }
)