【spark数据处理】文件上传+文件读取+文件筛选

环境介绍（hadoop、spark、jdk）

HDFS常用命令：
hadoop fs & hdfs dfs
注：path 为路径 src为文件路径 dist 为文件夹
-help[cmd] 显示命令的帮助信息
-ls(r) 显示当前目录下的所有文件 -R层层循出文件夹
-du(s) 显示目录中所有文件大小
-count[-q] 显示当前目录下的所有文件大小
-mv 移动多个文件目录到目标目录
-cp 复制多个文件到目标目录
-rm(r) 删除文件（夹）
-put 本地文件复制到hdfs
-copyFromLocal 本地文件复制到hdfs
-moveFromLocal 本地文件移动到hdfs
-get[-ignoreCrc] 复制文件到本地，可以忽略crc校验
-getmerge 将源目录中的所有文件排序合并到一个文件中
-appendToFile 将内容追加到指定文档中
-cat 在终端显示文件内容
-text 在终端显示文件内容
-copyToLocal[-ignoreCrc] 复制文件到本地
-moveToLocal 移动文件到本地
-mkdir 创建文件夹 后跟-p 可以创建不存在的父路径
-touchz 创建一个空文件

一、文件上传

hdfs上传：

hadoop fs -mkdir -p /data  //创建目录

hadoop fs -put /data/wenjian1.csv /data   //上传文件

(hadoop fs或者hdfs dfs上传都可以，命令区别不大)

二、修改文件名(根据自身情况而定）

这边建议有中文名的都改为英文名，有特殊字符的都改成标准的格式，以免后续报错

下面假设我们上传的文件名称为（文件1.csv）

hadoop fs -mv /data/文件1.csv /data/wenjian1.csv

三、多文件合并

（1）该命令为data1文件和data2文件末尾追加到data3.csv文件中，做到多文件合并成一个新的文件

hadoop fs  -appendToFile /data/data1.csv /data/data2.csv /data/data3.csv

（2）在这个例子中，file1.txt 的内容会首先出现在 merged_data.txt 中，然后是 file2.txt 的内容，最后是 file3.txt 的内容。达成合并文件目的

hdfs dfs -getmerge /user/data/file1.txt /user/data/file2.txt /user/data/file3.txt merged_data.txt

 四、读取文件

1. Text文件：这是最基本的文件格式，Spark可以通过sc.textFile("path")来读取Text文件，并且可以使用saveAsTextFile(path)将RDD保存为Text文件。
2. Json文件：对于Json文件，Spark提供了多种方式来读取和解析，例如使用SparkSQL或第三方库如fastjson。读取Json文件时，通常需要解析其Json格式。
3. Sequence文件：这是针对key-value类型RDD的文件格式。可以通过sc.sequenceFile[KeyClass, ValueClass]("path")来读取，并可以创建RDD保存为Sequence文件。
4. Object文件：可以将pairRDD保存为Object文件，并使用sc.objectFile[KeyClass, ValueClass]("path")来读取
5. Csv文件：可以用spark.read.csv()来实现读取

val df = spark.read.option("header", "true").option("sep", ",").csv("/data/wenjian1.csv")

1. val df =：这是Scala中的声明变量的方式。这里声明了一个名为df的变量，它将被赋予一个DataFrame类型的值。
2. spark.read：spark是一个SparkSession的实例，它是Spark所有功能的入口点。read方法用于从外部数据源读取数据。
3. .option("header", "true")：这是为读取操作设置的一个选项。header选项指定CSV文件的第一行是否包含列名。在这个例子中，我们设置header为"true"，意味着CSV文件的第一行是列名，并且这些列名将作为DataFrame的列名。
4. .option("sep", ",")：这也是为读取操作设置的一个选项。sep选项指定字段之间的分隔符。在这个例子中，我们设置分隔符为逗号（,），这是CSV文件的标准分隔符。
5. .csv("/data/wenjian1.csv")：这指定了要读取的CSV文件的路径。在这个例子中，文件位于/data/目录下，名为wenjian1.csv。

五、显示数据

show（）显示语句

df.show(5)显示前五行数据 

六、处理数据

常用语句

select 选择 ：可以选择指定行，指定类，并且可以重名

where 筛选 ：给筛选的列值等于给定值的行

filter 筛选：可以对数据进行筛选

groupby 分组：对数据进行分组

distinct 去重 ：对重复数据进行清洗

select:

对“学校”列进行去重：

val uniquewenjian = df.select("学校").distinct()

选择指定列

val df1 = df.select("columnName1", "columnName2")

选择指定列，并重命名

val df1 =df.select($"columnName",$"columnName")

where：

 筛选指定列值等于给定值的行

val df1= df.where("columnName = 'value'")

fitter:

筛选列值大于 5的行

val df1 = df.filter("columnName > 5")  

groupBy()：

按指定列分组，并对每组 进行聚合计数

 val df1 = df.groupBy("columnName").agg(count("columnName")) 

对多列进行分组，并对每组进行聚合计数,这段代码首先创建了一个SparkSession实例，然后创建了一个包含三列（"columnName1", "columnName2", "col"）的DataFrame。之后，使用groupBy方法按照"columnName1"和"columnName2"进行分组，然后调用agg方法进行聚合，并使用mean函数计算"col"列的平均值，将结果列命名为"m"。最后，使用show方法打印出分组聚合后的结果。

val df1 = df.groupBy("columnName1", "columnName2").agg(mean("student").alias("s1"))

(补充)以下是一些常用的聚合函数及其在DataFrame中的应用：

1. count(): 用于计算分组中的记录数。
2. sum(): 计算分组中某列的总和。
3. avg(): 计算分组中某列的平均值。
4. max(): 获取分组中某列的最大值。
5. min(): 获取分组中某列的最小值。
6. collect_list() 和 collect_set(): 分别收集分组中某列的所有值到一个列表或集合中，去除重复项。
7. first() 和 last(): 分别获取分组中某列的第一个和最后一个值。
8. group_concat(): 连接分组中某列的所有值。注意，这不是Spark SQL的内置函数，但可以使用concat_ws函数达到类似的效果。
9. approx_count_distinct(): 计算近似不同的值数，这对于大数据集来说通常比count(DISTINCT column)更快，但结果可能不是精确的。

val countDF = df.groupBy("columnName").agg(count("*").alias("count"))
val sumDF = df.groupBy("columnName").agg(sum("numericColumn").alias("sum"))
val avgDF = df.groupBy("columnName").agg(avg("numericColumn").alias("avg"))
val maxDF = df.groupBy("columnName").agg(max("numericColumn").alias("max"))
val minDF = df.groupBy("columnName").agg(min("numericColumn").alias("min"))
val listDF = df.groupBy("columnName").agg(collect_list("anotherColumn").alias("list"))  
val setDF = df.groupBy("columnName").agg(collect_set("anotherColumn").alias("set"))
val firstDF = df.groupBy("columnName").agg(first("anotherColumn").alias("firstValue"))  
val lastDF = df.groupBy("columnName").agg(last("anotherColumn").alias("lastValue"))
val concatDF = df.groupBy("columnName").agg(concat_ws(",", collect_list("anotherColumn")).alias("concatenated"))
val approxCountDF = df.groupBy("columnName").agg(approx_count_distinct("anotherColumn").alias("approxCount"))

distinct:

获取指定列的唯一值

df.select("columnName").distinct()