环境说明:
用的版本是Spark 2.1,Dataset操作很丰富,join的支持也蛮好的,比原来用的spark 1.4好用多了。
嗯,Dataset操作,我觉得最重要的是把Column类的用法弄清楚。毕竟,后面的Dataset操作都是在操作列。最好的资料自然是官方文档,Spark的API文档还是挺详细的,而且还细分了Java/Scala/Python。
来个例子边看边说:
scala> val df = spark.createDataset(Seq(
("aaa", 1, 2), ("bbb", 3, 4), ("ccc", 3, 5), ("bbb", 4, 6))
).toDF("key1","key2","key3")
df: org.apache.spark.sql.DataFrame = [key1: string, key2: int ... 1 more field]
scala> df.printSchema
root
|-- key1: string (nullable = true)
|-- key2: integer (nullable = false)
|-- key3: integer (nullable = false)
scala> df.collect
res34: Array[org.apache.spark.sql.Row] = Array([aaa,1,2], [bbb,3,4], [ccc,3,5], [bbb,4,6])
上面的代码创建了一个DataFrame,有三列,列名分别是key1, key2, key3, 类型对应string, integer, integer。
当前造了4条记录,如上所示。
接下来看看选择列的几种调用方式:
scala> df.select("key1").collect
res49: Array[org.apache.spark.sql.Row] = Array([aaa], [bbb], [ccc], [bbb])
scala> df.select($"key1").collect
res50: Array[org.apache.spark.sql.Row] = Array([aaa], [bbb], [ccc], [bbb])
scala> df.select(df.col("key1")).collect
res51: Array[org.apache.spark.sql.Row] = Array([aaa], [bbb], [ccc], [bbb])
select方法中参数直接用字符串只能用DataFrame中的命名字段名。不能对字段名再使用像SQL的select语法的表达式。但是$"key1"这种写法对应的是select方法的Column参数类型重载,可以支持sql的select语法了:
scala> df.select(upper($"key1")).collect
res58: Array[org.apache.spark.sql.Row] = Array([AAA], [BBB], [CCC], [BBB])
scala> df.select(upper("key1")).collect
:27: error: type mismatch;
found : String("key1")
required: org.apache.spark.sql.Column
df.select(upper("key1")).collect
上面在select中对字段key1调用了upper函数转换大小写,注意"key1"前面有个$符号,这个是scala最喜欢搞的语法糖,了解下写代码会很方便。而下面没有加$符号在key1前面时就报错了,提示需要的是Column,而当前给的则是个String类型。
这时候的select也可以用selectExtr方法替换。比如下面的调用:
scala> df.selectExpr("upper(key1)", "key2 as haha2").show
+-----------+-----+
|upper(key1)|haha2|
+-----------+-----+
| AAA| 1|
| BBB| 3|
| CCC| 3|
| BBB| 4|
+-----------+-----+
key1字段调用了变大写的函数,而key2字段改了别名haha2, ok, 一切顺利!
嗯,先写到这吧,困了。。。回头再接着写~~