DataFrame/DataSet 操作

DataFrame/DataSet 操作

Databricks 不止一次提到过希望未来在编写 Spark 应用程序过程中，对于结构化/半结构化数据，使用 Datasets(DataFrame 的扩展) 来代替 RDD 操作，这主要源于 Datasets 以下几个方面：
* 充分利用了 Catalyst 编译优化器 和 Tungsten 执行引擎优化程序
* 程序运行速度更快，以原始的二进制的方式进行某些操作
* 序列化/反序列化速度更快，使用 Tungsten 序列化方式，减少网络传输
* 缓存数据的内存消耗更少
* 统一接口等
Encoder 编码器负责在表结构(Datasets)和 JVM 对象(RDD)之间转换。

操作1：

将 DataFrame/DataSet 映射到一张表中，然后使用 Sql 文档提供的函数进行操作 Spark-Sql-Functions 文档

Sql 中的方法参数分两种
1. String 类型和 Column 类型的列名重载方法
2. Column 类型的列名方法

如下所示：

def min(e: Column): Column
def min(columnName: String): Column
def abs(e: Column): Column

对于 String 类型的列名，我们可以先将 DataFrame 映射到一种表中，然后直接写 Sql 语句进行查询操作

import spark.implicits._
val df = spark.readStream.text("hdfs://localhost:9000/names/yob1884.txt")
df.createGlobalTempView("people")
//value 为列名
spark.sql("select * from global_temp.people").show()
spark.sql("select approx_count_distinct(value,0.05) from global_temp.people" ).show()
spark.sql("select min(value) from global_temp.people").show()

对于 Column 类型的列名，我们只能在 DataFrame 上调用 select 方法进行操作

val spark = SparkSession
  .builder()
  .appName("Spark structured Steaming our output example")
  .getOrCreate()

import spark.implicits._
val df = spark.readStream
  .option("maxFilesPerTrigger", "1")
  .textFile("hdfs://localhost:9000/test")

val query = df.map(_.toString().split(","))
  .map(p => Person(p(0), p(1), Integer.parseInt(p(2))))
  .select($"name", $"age")
  .where("age>50")

import org.apache.spark.sql.functions._
val testDF = query.select(min($"age"))

操作2：

将 DataFrame/DataSet 转换成 DataSet，使用 DataSet 提供的函数进行操作DataSet 操作文档

    //DataSet group By
    query.groupBy($"age").count()
    //sql group by
    spark.sql("select * from global_temp.people group by value")