ITPub博客

首页 > 大数据 > Spark > DataFrame概述与使用

DataFrame概述与使用

原创 Spark 作者:13545163656 时间:2018-09-03 20:39:52 0 删除 编辑

一、 概述:

        DataFrame是一个分布式数据集,可以理解为关系型数据库一张表,由字段和字段类型、字段值按列组织,且支持四种语言,在Scala API中可以理解为: FataFrame=Dataset[ROW]


注:DataFrame产生于V1.3之后,在V1.3前为SchemaRDD,在V1.6以后又添加了Dataset



二、DataFrame vs RDD 差异:


概念 : 两个都是分布式容器,DF理解是一个表格除了RDD数据以外还有Schema,也支持复杂数据类型(map..)
API :
DataFrame提供的API比RDD丰富 支持map  filter  flatMap .....
数据结构:RDD知道类型没有结构, DF提供Schema信息 有利于优化,性能上好
底层 :基于运行环境不一样,RDD开发的Java/Scala API运行底层环境JVM,
DF在SparkSQL中转换成逻辑执行计划(locaical Plan)和物理执行计划(Physical Plan)中间自身优化功能,性能差异大


三、json文件操作

[hadoop@hadoop001 bin]$./spark-shell --master local[2] --jars ~/software/mysql-connector-java-5.1.34-bin.jar 


-- 读取json文件

scala>val df = spark.read.json("file:///home/hadoop/data/people.json")

18/09/02 11:47:20 WARN ObjectStore: Failed to get database global_temp, returning NoSuchObjectException

df: org.apache.spark.sql.DataFrame = [age: bigint, name: string]


-- 打印schema信息

scala> df.printSchema


root

|-- age: long (nullable = true)    -- 字段 类型 允许为空
|-- name: string (nullable = true)


--  打印字段内容

scala> df.show


+----+-------+

| age|   name|
+----+-------+
|null|Michael|
|  30|   Andy|
|  19| Justin|
+----+-------+

-- 打印查询字段

scala> df.select("name").show


+-------+

|   name|
+-------+
|Michael| 
|   Andy|
| Justin|
+-------+


-- 单引号,存在隐式转换

scala> df.select('name).show


+-------+

|   name|
+-------+
|Michael|
|   Andy|
| Justin|
+-------+


-- 双引号隐式转换不识别

scala> df.select("name).show

<console>:1: error: unclosed string literal

df.select("name).show

          ^   

-- 年龄计算,NULL无法计算

scala> df.select($"name",$"age" + 1).show


+-------+---------+

|   name|(age + 1)|
+-------+---------+
|Michael|     null|
|   Andy|       31|
| Justin|       20|
+-------+---------+


-- 年龄过滤

scala> df.filter($"age" > 21).show


+---+----+

|age|name|
+---+----+
| 30|Andy|
+---+----+


-- 年龄分组 汇总

scala> df.groupBy("age").count.show


+----+-----+                                                                    

| age|count|
+----+-----+
|  19|    1|
|null|    1|
|  30|    1|
+----+-----+


-- 创建一个临时视图

scala>  df.createOrReplaceTempView("people")

scala>spark.sql("select * from people").show


+----+-------+

| age|   name|
+----+-------+
|null|Michael|
|  30|   Andy|
|  19| Justin|
+----+-------+


四、DataFrame对象上Action操作

-- 定义case class 用来创建Schema

case class Student(id:String,name:String,phone:String,Email:String)


-- RDD与DF反射方式实现

val students = sc.textFile("file:///home/hadoop/data/student.data").map(_.split("\\|")).map(x=>Student(x(0),x(1),x(2),x(3))).toDF()


-- 打印DF信息

students.printSchema


-- show(numRows: Int, truncate: Boolean) 

-- numRows截取前20行和truncate读取前20字符串

-- students.show(5,false) 读取前五行和所有字符串

scala> students.show


+---+--------+--------------+--------------------+

| id|    name|         phone|               Email|
+---+--------+--------------+--------------------+
|  1|   Burke|1-300-746-8446|ullamcorper.velit...|
|  2|   Kamal|1-668-571-5046|pede.Suspendisse@...|
|  3|    Olga|1-956-311-1686|Aenean.eget.metus...|
|  4|   Belle|1-246-894-6340|vitae.aliquet.nec...|
|  5|  Trevor|1-300-527-4967|dapibus.id@acturp...|
|  6|  Laurel|1-691-379-9921|adipiscing@consec...|
|  7|    Sara|1-608-140-1995|Donec.nibh@enimEt...|
|  8|  Kaseem|1-881-586-2689|cursus.et.magna@e...|
|  9|     Lev|1-916-367-5608|Vivamus.nisi@ipsu...|
| 10|    Maya|1-271-683-2698|accumsan.convalli...|
| 11|     Emi|1-467-270-1337|est@nunc.com|.......|
| 12|   Caleb|1-683-212-0896|Suspendisse@Quisq...|
| 13|Florence|1-603-575-2444|sit.amet.dapibus@...|
| 14|   Anika|1-856-828-7883|euismod@ligulaeli...|
| 15|   Tarik|1-398-171-2268|turpis@felisorci.com|
| 16|   Amena|1-878-250-3129|lorem.luctus.ut@s...|
| 17| Blossom|1-154-406-9596|Nunc.commodo.auct...|
| 18|     Guy|1-869-521-3230|senectus.et.netus...|
| 19| Malachi|1-608-637-2772|Proin.mi.Aliquam@...|
| 20|  Edward|1-711-710-6552|lectus@aliquetlib...|
+---+--------+--------------+--------------------+
only showing top 20 rows


-- students.head(5) 返回前几行数据


scala> students.head(5).foreach(println)

[1,Burke,1-300-746-8446,ullamcorper.velit.in@ametnullaDonec.co.uk]
[2,Kamal,1-668-571-5046,pede.Suspendisse@interdumenim.edu]
[3,Olga,1-956-311-1686,Aenean.eget.metus@dictumcursusNunc.edu]
[4,Belle,1-246-894-6340,vitae.aliquet.nec@neque.co.uk]
[5,Trevor,1-300-527-4967,dapibus.id@acturpisegestas.net]


-- 查询具体字段


scala> students.select("id","name").show(5)

+---+------+
| id|  name|
+---+------+
|  1| Burke|
|  2| Kamal|
|  3|  Olga|
|  4| Belle|
|  5|Trevor|
+---+------+


-- 修改字段取别名

scala> students.select($"name".as("new_name")).show(5)


+--------+

|new_name|
+--------+
|   Burke|
|   Kamal|
|    Olga|
|   Belle|
|  Trevor|
+--------+


--查询id大于五

scala> students.filter("id>5").show(5)


+---+------+--------------+--------------------+

| id|  name|         phone|               Email|
+---+------+--------------+--------------------+
|  6|Laurel|1-691-379-9921|adipiscing@consec...|
|  7|  Sara|1-608-140-1995|Donec.nibh@enimEt...|
|  8|Kaseem|1-881-586-2689|cursus.et.magna@e...|
|  9|   Lev|1-916-367-5608|Vivamus.nisi@ipsu...|
| 10|  Maya|1-271-683-2698|accumsan.convalli...|
+---+------+--------------+--------------------+


-- 查询名称为空或者名称为NULL(filter=where)

scala> students.filter("name=''or name='NULL'").show(false)


+---+----+--------------+--------------------------+

|id |name|phone         |Email                     |
+---+----+--------------+--------------------------+
|21 |    |1-711-710-6552|lectus@aliquetlibero.co.uk|
|22 |    |1-711-710-6552|lectus@aliquetlibero.co.uk|
|23 |NULL|1-711-710-6552|lectus@aliquetlibero.co.uk|
+---+----+--------------+--------------------------+


-- 查询ID大于5且名称模糊查询 

scala> students.filter("id>5 and name like 'M%'").show(5)


+---+-------+--------------+--------------------+

| id|   name|         phone|               Email|
+---+-------+--------------+--------------------+
| 10|   Maya|1-271-683-2698|accumsan.convalli...|
| 19|Malachi|1-608-637-2772|Proin.mi.Aliquam@...|
+---+-------+--------------+--------------------+


-- 按照名称升序排序且不等于空

scala> students.sort($"name").select("id","name").filter("name <> ''").show(3)


+---+-----+

| id| name|
+---+-----+
| 16|Amena|
| 14|Anika|
|  4|Belle|
+---+-----+


-- 按照名称倒叙排序(sort = orderBy)

scala> students.sort($"name".desc).select("name").show(5)


+------+

|  name|
+------+
|Trevor|
| Tarik|
|  Sara|
|  Olga|
|  NULL|
+------+


-- 年龄分组 汇总

scala> students.groupBy("age").count().show


+----+-----+                                                                    

| age|count|
+----+-----+
|  19|    1|
|null|    1|
|  30|    1|
+----+-----+


-- 聚合函数使用

scala> students.agg("id" -> "max", "id" -> "sum").show(false)


+-------+-------+

|max(id)|sum(id)|
+-------+-------+
|9      |276.0  |
+-------+-------+


-- join操作,using模式seq指定多个字段 


students.join(students2, Seq("id", "name"), "inner")


-- DataFrame的join操作有inner, outer, left_outer, right_outer, leftsemi类型

-- 指定类型,指定join的类型


students.join(students2 , students("id" ) === students2( "t1_id"), "inner")


五、DataFrame API实现文件操作

1.maven依赖下载


<spark.version>2.3.1</spark.version>


<!-- 添加Spark Core的dependency -->
<dependency>
 <groupId>org.apache.spark</groupId>
 <artifactId>spark-core_2.11</artifactId>
 <version>${spark.version}</version>
</dependency>

<!-- 添加Spark SQL的dependency -->
<dependency>
 <groupId>org.apache.spark</groupId>
 <artifactId>spark-sql_2.11</artifactId>
 <version>${spark.version}</version>
</dependency>



2、IDEA实现方式:


package com.zrc.ruozedata.sparkSQL

import org.apache.spark.sql.types.{IntegerType, StringType, StructField, StructType}
import org.apache.spark.sql.{Row, SparkSession}

object SparkSQL001 extends App {
     /*
      * RDD与DataFrame反射方式实现(一)
      * 创建RDD --> DataFrema
      * 利用case class创建Schema,来解析输出文本每一行信息
      */
     val spark = SparkSession.builder()
     .master("local[2]")
     .appName("SparkSQL001")
     .getOrCreate() // 操作hive添加
     val  infos = spark.sparkContext.textFile("file:///F:/infos.txt")

     /*
     import spark.implicits._
     val infoDF = infos.map(_.split(",")).map(x=>Info(x(0).toInt,x(1),x(2).toInt)).toDF()
     infoDF.show()
     */

     /*
      * RDD与DataFrame使用StructType方式实现(二)
       * StructType构造了StructField方法传入name和dataType
       * 每一个字段就是为一个StructField
       * Schema和RDD通过createDataFrame方法作用起来
     */
      // 注意通过ROW获取的需要转换对应类型
     val infoss = infos.map(_.split(",")).map(x=>Row(x(0).trim.toInt,x(1),x(2).trim.toInt))
     val fields = StructType(
           Array(
                 StructField("id",IntegerType,true),
                 StructField("name",StringType,true),
                 StructField("age",IntegerType,true)
           )
     )
     val schema = StructType(fields)
     val infoDF = spark.createDataFrame(infoss,schema)
     infoDF.show()
     spark.stop()
}
// case class Info (id:Int,name:String,age:Int)


来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/31441024/viewspace-2213491/,如需转载,请注明出处,否则将追究法律责任。

请登录后发表评论 登录
全部评论

注册时间:2017-03-05

  • 博文量
    70
  • 访问量
    72203