之前的文章中学习了在集群环境下编写我们的spark已经在IDEA中打jar包。想了解的朋友可以查看这篇文章。同时，希望我的文章能帮助到你，如果觉得我的文章写的不错，请留下你宝贵的点赞，谢谢。
Spark-Scala语言实战（17）-CSDN博客文章浏览阅读2.3k次，点赞46次，收藏39次。这篇文章起我会带来两种方式将我们开发环境（IDEA）的代码文件打jar包到我们的集群环境下运行。今天的文章首先来讲我们的本地模式。今天的文章，我会带着大家一起来到Linux集群环境下，学习我们的spark。希望我的文章能帮助到大家，也欢迎大家来我的文章下交流讨论，共同进步。https://blog.csdn.net/qq_49513817/article/details/137929033?spm=1001.2014.3001.5501这篇文章我会带着大家学习Spark SQL中的DataFrame中show()，selectExpr()，select()，filter()/where，groupBy()，sort()6种方法。了解Spark SQL以及DataFrame。
目录
一、结构化数据
Spark SQL
什么是Spark SQL
- Spark SQL 是一个用于处理结构化数据的 Spark 模块。它允许你使用 SQL 语句来查询 DataFrame。
- Spark SQL 提供了 DataFrame 和 DataSet 的 API，这些 API 允许你以编程方式执行 SQL 查询。此外，它还提供了一个 SQL 引擎，允许你直接在 Spark 集群上执行 SQL 语句。
- Spark SQL 支持多种数据源，包括 Hive、JSON、Parquet、CSV 等。它还支持多种外部数据库和存储系统，如 JDBC、ODBC 和 Apache Arrow。
- Spark SQL 的主要目标是使数据处理更加简单、直观和高效。通过使用 SQL 和 DataFrame API，你可以轻松地执行复杂的数据转换和查询操作，而无需编写大量的底层代码。
Spark SQL架构
spark sql架构图
Spark SQL架构与Hive架构相比，把底层的MapReduce执行引擎更改为Spark，还修改了Catalyst优化器，Spark SQL快速的计算效率得益于Catalyst优化器。从HiveQL被解析成语法抽象树起，执行计划生成和优化的工作全部交给Spark SQL的Catalyst优化器进行负责和管理。
DataFrame
什么是DataFrame
- DataFrame 是一个分布式数据集，它有一个不可变的、不可空的 schema（即列和类型）。这意味着 DataFrame 知道它的每一列都包含什么类型的数据。
- DataFrame 可以从各种来源创建，如结构化文件（如 Parquet、JSON）、Hive 表、外部数据库或现有的 RDD（通过执行转换操作）。
- DataFrame API 提供了丰富的函数来操作数据，包括选择、过滤、分组、排序等。这些操作通常使用 DataFrame 的 DSL（领域特定语言）风格的方法来实现，这使得代码更加简洁和易于理解。
- DataFrame 底层由 RDD 支持，但 RDD 是低级的、不可读的，并且没有 schema。相比之下，DataFrame 提供了更高级别的抽象，使得处理结构化数据更加容易。
二、DataFrame方法
1.show()
show()方法用来查看我们DataFrame数据，show方法默认只显示我们数据中前20条记录，且最多显示20个字符
| 方法参数 | 说明 |
|---|---|
show() | 显示 DataFrame 的前 20 行数据（默认）。 |
show(n) | 显示 DataFrame 的前 n 行数据。其中 n 是一个整数，表示要显示的行数。 |
show(truncate=False) | 显示 DataFrame 的所有列，不对列的内容进行截断。默认情况下，如果列的内容过长，Spark 会截断它以适应控制台输出。将此参数设置为 False 可以避免截断。 |
show(n, truncate=False) | 同时设置显示行数和是否截断列的内容。这将显示前 n 行数据，并且不对列的内容进行截断。 |
示例代码，显示内容:
import org.apache.spark.sql.SparkSession
object DataFrameExample {
def main(args: Array[String]): Unit = {
// 创建一个SparkSession
val spark = SparkSession.builder()
.appName("Peng")
.master("local[*]") // 使用所有可用的本地线程
.getOrCreate()
import spark.implicits._
// 创建一个简单的Seq来作为数据源
val data = Seq(("Alice", 1), ("Bob", 2), ("Charlie", 3),("Alice", 1), ("Bob", 2), ("Charlie", 3),("Alice", 1), ("Bob", 2), ("Charlie", 3),("Alice", 1), ("Bob", 2), ("Charlie", 3),("Alice", 1), ("Bob", 2), ("Charlie", 3),("Alice", 1), ("Bob", 2), ("Charlie", 3),("Alice", 1), ("Bob", 2), ("Charlie", 3),("Alice", 1), ("Bob", 2), ("Charlie", 3),("Alice", 1), ("Bob", 2), ("Charlie", 3),("Alice", 1), ("Bob", 2), ("Charlie", 3))
// 将Seq转换为DataFrame
case class Person(name: String, age: Int)
val p = data.toDF("name", "age") // 或者使用data.map(Person.tupled).toDF()
// 显示DataFrame的内容
p.show()
}
}可以看到我们的数据集超过了20条，那么使用我们的show（）方法不添加参数肯定也只会输出20条。
2.selectExpr()
selectExpr() 方法在 Apache Spark 的 DataFrame API 中用于选择列，并且可以支持 SQL 表达式，这样我们就可以对字段进行特殊处理。
| 参数 | 说明 |
|---|---|
exprs: String* | 一个或多个 SQL 表达式字符串，用于选择或计算 DataFrame 中的列。 |
示例代码，使用 selectExpr() 方法将年龄+1:
import org.apache.spark.sql.SparkSession
object p1 {
def main(args: Array[String]): Unit = {
val spark = SparkSession.builder()
.appName("PENG")
.master("local[*]")
.getOrCreate()
import spark.implicits._ // 导入隐式转换和DSL
// 创建一个简单的Seq来作为数据源
val data = Seq(("Alice", 28), ("Bob", 22), ("Charlie", 30), ("David", 25))
// 将Seq转换为DataFrame
val peopleDF = data.toDF("name", "age")
// 使用selectExpr()方法选择列并进行一些计算
val selectedDF = peopleDF.selectExpr(
"name", // 选择name列
"age", // 选择age列
"(age + 1) as new_age" // 使用SQL表达式计算新的列new_age
)
// 显示选择后的DataFrame的内容
selectedDF.show()
}
}
3.select()
select() 方法在 Apache Spark 的 DataFrame API 中用于选择 DataFrame 中的列，获取相对应的值。
| 参数 | 说明 |
|---|---|
cols: Column* | 一个或多个 Column 表达式，用于指定要选择的列。这些可以是列名、Column 对象或 Column 表达式。 |
示例代码，对列重命名：
import org.apache.spark.sql.SparkSession
object DataFrameSelectExample {
def main(args: Array[String]): Unit = {
// 创建一个SparkSession
val spark = SparkSession.builder()
.appName("Peng")
.master("local[*]") // 使用所有可用的本地线程
.getOrCreate()
import spark.implicits._ // 导入隐式转换和DSL
// 创建一个简单的Seq来作为数据源
val data = Seq(("Alice", 28), ("Bob", 22), ("Charlie", 30), ("David", 25))
// 将Seq转换为DataFrame
val peopleDF = data.toDF("name", "age")
// 使用select()方法选择列
val selectedDF = peopleDF.select($"name", $"age")
// 显示选择后的DataFrame的内容
selectedDF.show()
// 对列进行重命名，直接使用$"columnName".as("newName")
val renamedDF = peopleDF.select($"name", $"age".as("yearsOld"))
// 显示重命名后的DataFrame的内容
renamedDF.show()
}
}
4.filter()/where
使用filter或where方法可以查询数据中符合条件的所有字段信息。
| 方法 | 参数 | 类型 | 说明 | 示例 |
|---|---|---|---|---|
filter() | conditionExpr: Column | Column | 使用Column表达式来过滤DataFrame的行。这可以是一个Column对象、SQL表达式字符串或Scala中的Column API表达式。 | df.filter($"column1" === 1).show() |
where() | conditionExpr: String | String | 使用SQL表达式字符串来过滤DataFrame的行。 | df.where("column1 = 1").show() |
示例代码，实现过滤年龄大小：
import org.apache.spark.sql.SparkSession
object p1 {
def main(args: Array[String]): Unit = {
val spark = SparkSession.builder()
.appName("PENG")
.master("local[*]")
.getOrCreate()
import spark.implicits._ // 导入隐式转换和DSL
// 创建一个简单的Seq来作为数据源
val data = Seq(("Alice", 28), ("Bob", 22), ("Charlie", 30), ("David", 25))
// 将Seq转换为DataFrame
val peopleDF = data.toDF("name", "age")
// 使用filter()方法过滤年龄大于25的人
val filteredDF1 = peopleDF.filter($"age" > 25)
// 使用where()方法过滤年龄小于30的人
val filteredDF2 = peopleDF.where($"age" < 30)
filteredDF1.show()
filteredDF2.show()
}
}
5.groupBy()
groupBy() 方法接受一个或多个列名、列表达式或列引用作为参数，并返回一个分组后的对象（在 Spark SQL 中是 RelationalGroupedDataset），该对象表示按指定列或表达式分组的数据。
| 属性/参数 | 类型 | 说明 | 示例 |
|---|---|---|---|
| 分组列 | 列名、表达式、列表等 | 指定要按照哪些列或表达式对数据进行分组 | df.groupBy("columnName") 或 df.groupBy($"columnName") |
| 聚合函数 | 聚合函数 | 在每个分组上应用的聚合函数，如count(), sum(), avg(), max(), min()等 | df.groupBy("columnName").count().show() |
| 返回值 | RelationalGroupedDataset | 返回一个RelationalGroupedDataset对象，该对象可以进一步调用聚合函数 | val grouped = df.groupBy("columnName") |
| 1. 返回值 | RelationalGroupedDataset | groupBy()方法返回一个RelationalGroupedDataset对象，而不是一个普通的DataFrame。该对象允许你进一步调用聚合函数。 | - |
| 2. 排序 | - | 在使用groupBy()方法之前，通常不需要对数据进行排序，因为Spark会根据分组列的值自动进行排序。但如果你需要按照特定的顺序输出结果，可以在调用groupBy()之后使用orderBy()方法。 | grouped.orderBy("columnName").show() |
| 3. 分组键 | - | 分组后的结果中，分组键会成为结果DataFrame的索引（在Spark SQL中）。如果你不希望这样，可以使用drop()方法删除索引列。 | grouped.drop("columnName").show() |
| 4. 多列分组 | - | 你可以通过传递一个包含多个列名的列表或元组来按多列进行分组。 | df.groupBy("columnName1", "columnName2").count().show() |
| 5. 聚合多个指标 | - | 你可以在一个groupBy()调用中聚合多个指标。这可以通过使用agg()方法并传递一个包含多个聚合函数的列表来实现。 | df.groupBy("columnName").agg(sum("columnValue"), avg("columnValue")).show(） |
下面是使用groupBy实现简单分组的示例代码：
import org.apache.spark.sql.SparkSession
object p1 {
def main(args: Array[String]): Unit = {
val spark = SparkSession.builder()
.appName("PENG")
.master("local[*]")
.getOrCreate()
import spark.implicits._
// 创建一个简单的 DataFrame
val data = Seq(("A", 1), ("B", 2), ("A", 3), ("B", 1), ("C", 2))
val df = data.toDF("category", "value")
// 使用 groupBy 对 category 列进行分组，并计算每个分组中的行数
val p = df.groupBy("category").count()
p.show()
}
} 
6.sort()
sort() 方法通常用于对数据进行排序。
| 属性/参数 | 类型 | 说明 | 示例 |
|---|---|---|---|
| col | str 或 Column 或 list of str/Column | 要按其进行排序的列名、Column 对象或列名/Column 对象的列表。 | df.sort("columnName") 或 df.sort(df("columnName").desc) 或 df.sort(col("columnName1"), col("columnName2").desc) |
| ascending | bool 或 list of bool | 是否按升序排序，默认为 True。如果提供了多个列，则可以传递一个布尔值列表来指定每个列的排序顺序。 | df.sort("columnName", ascending=False) |
| global | bool | 在分布式环境中，是否进行全局排序。请注意，全局排序可能非常昂贵，并且可能不适用于大数据集。默认为 False（即分区内排序）。 | 通常不直接设置此参数，而是通过其他方式（如 repartition）来控制排序的范围。 |
以下是对年龄排序的示例代码：
import org.apache.spark.sql.SparkSession
object p1 {
def main(args: Array[String]): Unit = {
val spark = SparkSession.builder()
.appName("PENG")
.master("local[*]")
.getOrCreate()
import spark.implicits._ // 导入隐式转换和DSL
// 创建一个简单的Seq来作为数据源
val data = Seq(("Alice", 28), ("Bob", 22), ("Charlie", 30), ("David", 25))
// 将Seq转换为DataFrame
val peopleDF = data.toDF("name", "age")
// 对DataFrame按年龄进行排序
val sortedDF = peopleDF.sort("age") // 默认为升序
// 显示排序后的DataFrame的内容
sortedDF.show()
// 如果你想要降序排序，可以添加一个降序参数
val sortedDescDF = peopleDF.sort($"age".desc)
// 显示降序排序后的DataFrame的内容
sortedDescDF.show()
}
}
3773
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
