DataFrame的创建&操作

---

Spark SQL是Spark中的一个模块，主要用于进行结构化数据的处理。它提供的最核心的编程抽象，就是DataFrame。同时Spark SQL还可以作为分布式的SQL查询引擎。Spark SQL最重要的功能之一，就是从Hive中查询数据。

DataFrame是以列的形式组织的，分布式的结构化数据集合。它其实和关系型数据库中的表非常类似，但是底层做了很多的优化。DataFrame可以通过很多来源进行构建，包括：结构化的数据文件，Hive中的表，外部的关系型数据库，以及RDD。有了DataFrame后，可以非常方便地使用DataFrame API和SQL来处理数据。

• 创建DataFrame(三种)

  • 第一种

  val dfUsers = spark.read.format("csv").option("header", "true").load("file:///root/data/user.csv")
  
  dfUsers.printSchema
  
  // root
  // |-- user_id: string (nullable = true)
  // |-- locale: string (nullable = true)
  // |-- birthyear: string (nullable = true)
  // |-- gender: string (nullable = true)
  // |-- joinedAt: string (nullable = true)
  // |-- location: string (nullable = true)
  // |-- timezone: string (nullable = true)
  
  

  • 第二种

  scala> import org.apache.spark.sql.types._
  import org.apache.spark.sql.types._
  
  scala> import org.apache.spark.sql.Row
  import org.apache.spark.sql.Row
  
  scala> import spark.implicits._
  import spark.implicits._
  
  // 读取文件并转换成RDD[Row]类型
  scala> val uRdd = spark.sparkContext.textFile("file:///root/data/user.csv")
                       .map(x = x.split(","))
                       .mapPartitionsWithIndex((index, iter) => if (index == 0) iter.drop(1) else iter)
                       .map(Row.fromSeq(_))
  uRdd: org.apache.spark.rdd.RDD[org.apache.spark.sql.Row] = MapPartitionsRDD[26]  at map at :30
  
  // 定义Schema
  scala> val schema = StructType(Array(StructField("user_id", StringType, true),       
   StructField("locale", StringType, true),StructField("birthyear", StringType, true),   
   StructField("gender",StringType, true), StructField("joinedAt", StringType, true), 
   StructField("location", StringType, true), StructField("timezone", StringType, true)))
  schema: org.apache.spark.sql.types.StructType = StructType(StructField(user_id,StringType,true), StructField(locale,StringType,true), StructField(birthyear,StringType,true), StructField(gender,StringType,true), StructField(joinedAt,StringType,true), StructField(location,StringType,true), StructField(timezone,StringType,true))
  
  // 创建DataFrame
  scala> val dfUsers = spark.createDataFrame(uRdd, schema)
  dfUsers: org.apache.spark.sql.DataFrame = [user_id: string, locale: string ... 5 more fields]
  
  scala> dfUsers.printSchema
  
  // root
  // |-- user_id: string (nullable = true)
  // |-- locale: string (nullable = true)
  // |-- birthyear: string (nullable = true)
  // |-- gender: string (nullable = true)
  // |-- joinedAt: string (nullable = true)
  // |-- location: string (nullable = true)
  // |-- timezone: string (nullable = true)
  
  scala> dfUsers show 3
  // +----------+------+---------+------+--------------------+------------------+--------+
  // |   user_id|locale|birthyear|gender|            joinedAt|          location|timezone|
  // +----------+------+---------+------+--------------------+------------------+--------+
  // |3197468391| id_ID|     1993|  male|2012-10-02T06:40:...|  Medan  Indonesia|     480|
  // |3537982273| id_ID|     1992|  male|2012-09-29T18:03:...|  Medan  Indonesia|     420|
  // | 823183725| en_US|     1975|  male|2012-10-06T03:14:...|Stratford  Ontario|    -240|
  // +----------+------+---------+------+--------------------+------------------+--------+
  
  

  注：由于该文件首行是列名，所以使用mapPartitionsWithIndex()函数过滤掉
  • 第三种

  scala> val dfUsers = spark.sparkContext.textFile("file:///root/data/users.csv")
                 .map(_.split(","))
                 .mapPartitionsWithIndex((index, iter) => if (index == 0) iter.drop(1) else iter)
                 .map(x => (x(0), x(1), x(2), x(3), x(4), x(5), x(6)))
                 .toDF("user_id", "locale", "birthyear", "gender", "joinedAt", "location", "timezone")
  dfUsers: org.apache.spark.sql.DataFrame = [user_id: string, locale: string ... 5 more  fields]
  
  scala> dfUsers show 3
  // +----------+------+---------+------+--------------------+------------------+--------+
  // |   user_id|locale|birthyear|gender|            joinedAt|          location|timezone|
  // +----------+------+---------+------+--------------------+------------------+--------+
  // |3197468391| id_ID|     1993|  male|2012-10-02T06:40:...|  Medan  Indonesia|     480|
  // |3537982273| id_ID|     1992|  male|2012-09-29T18:03:...|  Medan  Indonesia|     420|
  // | 823183725| en_US|     1975|  male|2012-10-06T03:14:...|Stratford  Ontario|    -240|
  // +----------+------+---------+------+--------------------+------------------+--------+
  
  

  • 把DataFrame持久化到内存

    dfUsers.persist()
    

  • 保存到Hive表

    dfUser.write.mode("overwrite").saveAsTable("sparkdf.users")
    

---

• DataFrame Operators

  • 常用操作

  map, flatMap 
  sample, filter 
  sort 
  pipe 
  groupBy, groupByKey, cogroup 
  reduce, reduceByKey, fold 
  partitionBy ▫ zip, union 
  join, crossJoin, leftOuterJoin, rightOuterJoin 
  count, save 
  first, take
  

  • 基本操作

  1、 cache()同步数据的内存
  2、 columns 返回一个string类型的数组，返回值是所有列的名字
  3、 dtypes返回一个string类型的二维数组，返回值是所有列的名字以及类型
  4、 explan()打印执行计划  物理的
  5、 explain(n:Boolean) 输入值为 false 或者true ，返回值是unit  默认是false ，如果输入true 将会打印 逻辑的和物理的
  6、 isLocal 返回值是Boolean类型，如果允许模式是local返回true 否则返回false
  7、 persist(newlevel:StorageLevel) 返回一个dataframe.this.type 输入存储模型类型
  8、 printSchema() 打印出字段名称和类型 按照树状结构来打印
  9、 registerTempTable(tablename:String) 返回Unit ，将df的对象只放在一张表里面，这  个表随着对象的删除而删除了
  10、 schema 返回structType 类型，将字段名称和类型按照结构体类型返回
  11、 toDF()返回一个新的dataframe类型的
  12、 toDF(colnames：String*)将参数中的几个字段返回一个新的dataframe类型的，
  13、 unpersist() 返回dataframe.this.type 类型，去除模式中的数据
  14、 unpersist(blocking:Boolean)返回dataframe.this.type类型 true 和unpersist是一样的作用false 是去除RDD
  

  • 聚合查询操作

  1、 agg(expers:column*) 返回dataframe类型 ，同数学计算求值
        df.agg(max("age"), avg("salary"))
        df.groupBy().agg(max("age"), avg("salary"))
  2、 agg(exprs: Map[String, String])  返回dataframe类型 ，同数学计算求值 map类型的
      df.agg(Map("age" -> "max", "salary" -> "avg"))
      df.groupBy().agg(Map("age" -> "max", "salary" -> "avg"))
  3、 agg(aggExpr: (String, String), aggExprs: (String, String)*)  返回dataframe类型 ，同数学计算求值
      df.agg(Map("age" -> "max", "salary" -> "avg"))
      df.groupBy().agg(Map("age" -> "max", "salary" -> "avg"))
  4、 apply(colName: String) 返回column类型，捕获输入进去列的对象
  5、 as(alias: String) 返回一个新的dataframe类型，就是原来的一个别名
  6、 col(colName: String)  返回column类型，捕获输入进去列的对象
  7、 cube(col1: String, cols: String*) 返回一个GroupedData类型，根据某些字段来汇总
  8、 distinct 去重 返回一个dataframe类型
  9、 drop(col: Column) 删除某列 返回dataframe类型
  10、 dropDuplicates(colNames: Array[String]) 删除相同的列 返回一个dataframe
  11、 except(other: DataFrame) 返回一个dataframe，返回在当前集合存在的在其他集合不存在的
  12、 explode[A, B](inputColumn: String, outputColumn: String)(f: (A) ⇒ TraversableOnce[B])(implicit arg0: scala.reflect.api.JavaUniverse.TypeTag[B]) 返回值是dataframe类型，这个 将一个字段进行更多行的拆分
      df.explode("name","names") {name :String=> name.split(" ")}.show();
      将name字段根据空格来拆分，拆分的字段放在names里面
  13、 filter(conditionExpr: String): 刷选部分数据，返回dataframe类型 df.filter("age>10").show();  df.filter(df("age")>10).show();   df.where(df("age")>10).show(); 都可以
  14、 groupBy(col1: String, cols: String*) 根据某写字段来汇总返回groupedate类型   df.groupBy("age").agg(Map("age" ->"count")).show();df.groupBy("age").avg().show();都可以
  15、 intersect(other: DataFrame) 返回一个dataframe，在2个dataframe都存在的元素
  16、 join(right: DataFrame, joinExprs: Column, joinType: String)
    一个是关联的dataframe，第二个关联的条件，第三个关联的类型：inner, outer, left_outer, right_outer, leftsemi
      df.join(ds,df("name")===ds("name") and  df("age")===ds("age"),"outer").show();
  17、 limit(n: Int) 返回dataframe类型  去n 条数据出来
  18、 na: DataFrameNaFunctions ，可以调用dataframenafunctions的功能区做过滤 df.na.drop().show(); 删除为空的行
  19、 orderBy(sortExprs: Column*) 做alise排序
  20、 select(cols:string*) dataframe 做字段的刷选 df.select($"colA", $"colB" + 1)
  21、 selectExpr(exprs: String*) 做字段的刷选 df.selectExpr("name","name as names","upper(name)","age+1").show();
  22、 sort(sortExprs: Column*) 排序 df.sort(df("age").desc).show(); 默认是asc
  23、 unionAll(other:Dataframe) 合并 df.unionAll(ds).show();
  24、 withColumnRenamed(existingName: String, newName: String) 修改列表 df.withColumnRenamed("name","names").show();
  25、 withColumn(colName: String, col: Column) 增加一列 df.withColumn("aa",df("name")).show();
  

  • 行动操作

  1、 collect() ,返回值是一个数组，返回dataframe集合所有的行
  2、 collectAsList() 返回值是一个java类型的数组，返回dataframe集合所有的行
  3、 count() 返回一个number类型的，返回dataframe集合的行数
  4、 describe(cols: String*) 返回一个通过数学计算的类表值(count, mean, stddev, min, and max)，这个可以传多个参数，中间用逗号分隔，如果有字段为空，那么不参与运算，只这对数值类型的字段。例如df.describe("age", "height").show()
  5、 first() 返回第一行 ，类型是row类型
  6、 head() 返回第一行 ，类型是row类型
  7、 head(n:Int)返回n行  ，类型是row 类型
  8、 show()返回dataframe集合的值 默认是20行，返回类型是unit
  9、 show(n:Int)返回n行，，返回值类型是unit
  10、 table(n:Int) 返回n行  ，类型是row 类型