spark之DataFrame

1、DataFrame的优点

DataFrame的推出，让Spark具备了处理大规模结构化数据的能力，不仅比原有的RDD转化方式更加简单易用，而且获得了更高的计算性能。Spark能够轻松实现从MySQL到DataFrame的转化，并且支持SQL查询。Spark使用全新的SparkSession接口替代Spark1.6中的SQLContext及HiveContext接口来实现其对数据加载、转换、处理等功能。SparkSession实现了SQLContext及HiveContext所有功能。

2、DataFrame的生成方式

重要环境变量

from pyspark import SparkContext
from pyspark.sql import SparkSession
import os
os.environ['PYSPARK_SUBMIT_ARGS'] = '--jars /home/jsy/spark_test/mysql/mysql-connector-java-5.1.46/mysql-connector-java-5.1.46-bin.jar,/home/jsy/spark_test/mysql/mysql-connector-java-5.1.46/mysql-connector-java-5.1.46.jar pyspark-shell'
sc = SparkContext( 'local', 'test')

from pyspark.sql import SparkSession
import pyspark
spark=SparkSession(sc)

2.1、json文件中读取数据并生成DataFrame并显示数据

 

df=spark.read.json("file:///home/jsy/spark_test/people.json")
df.show()

2.2、RDD转化为DataFrame

2.2.1、利用反射转化RDD

利用反射来推断包含特定类型对象的RDD的schema，适用对已知数据结构的RDD转换；

from pyspark.sql.types import Row
def f(x):
    res={}
    res['name']=x[0]
    res['age']=x[1]
    return res
rdd=sc.textFile('file:///home/jsy/spark_test/people.txt')
rdd.take(1)

df=rdd.map(lambda x:x.split(',')).map(lambda x:Row(**f(x))).toDF()
df.show()

2.2.2、编程接口

第二种方法是，使用编程接口，构造一个schema并将其应用在已知的RDD上。

from pyspark.sql.types import Row
from pyspark.sql.types import StructType
from pyspark.sql.types import StructField
from pyspark.sql.types import StringType

#生成rdd
rdd=sc.textFile('file:///home/jsy/spark_test/people.txt')

#创建模式schema字符串
schemaString="name age"

#生成schema模式
fields=list(map(lambda x:StructField(x,StringType(),nullable=True),schemaString.split(' ')))
print(fields)
#从上面信息可以看出，schema描述了模式信息，模式中包含name和age两个字段
schema = StructType(fields)
print(schema)
rowRdd=rdd.map(lambda x:x.split(',')).map(lambda x:Row(x[0],x[1]))
print(type(rowRdd))

df=spark.createDataFrame(rowRdd,schema)
df.show()
df.createOrReplaceTempView("people")

2.3、JDBC连接方式生成DataFrame

Spark支持通过JDBC方式连接到其他数据库获取数据生成DataFrame。

配置mysql驱动可参考https://blog.csdn.net/u013069552/article/details/108903622

生成DataFrame代码如下

jdbcDF = spark.read.format("jdbc").option("url", "jdbc:mysql://10.26.1，1:10649/test").option("driver","com.mysql.jdbc.Driver").option("dbtable", "test").option("user", "root").option("password", "123456").load()
jdbcDF.show()

2.4、hive读取生成DataFrame

from pyspark import SparkContext
from pyspark.sql import SparkSession
import os
sc = SparkContext( 'local', '1111')
from pyspark.sql import HiveContext

sql='select * from DB_test.TABLE_test'
data = HiveContext(sc).sql(sql).repartition(500).rdd
df=HiveContext(sc).sql(sql)
data.take(10)
df.show()

3、DataFrame的常见操作

3.1、打印模式信息

#打印模式信息，输出DataFrame的头信息及相关类型
df.printSchema()

3.2、选择多列

#选择多列
df.select(df.name,df.age).show()

3.3、条件过滤

#条件过滤
df.filter(df.age>20).show()

3.4、分组聚合

#分组聚合
df.groupBy('age').count().show()

3.5、排序

#排序
df.sort(df.age.desc()).show()

3.6、多列排序

#多列排序
df.sort(df.age.desc(),df.name.asc()).show()

3.7、对列重命名

#对列重命名
df.select(df.name.alias("Name"),df.age).show()

3.8、存储

#存储
df.rdd.saveAsTextFile("file:///home/jsy/spark_test/df.txt")
df.select("name","age").write.format("csv").save("file:///home/jsy/spark_test/df_csv.csv")

参考文献

https://spark.apache.org/docs/2.1.0/api/python/pyspark.sql.html?highlight=sparksession#pyspark.sql.SparkSession

http://dblab.xmu.edu.cn/blog/1709-2/