Spark SQL表达式内部可用函数与相关源码
版权声明：本文为博主原创文章，未经博主允许不得转载。
手动码字不易，请大家尊重劳动成果，谢谢
作者：http://blog.csdn.net/wang_wbq
虽然标题写着是Spark SQL可用函数，但是我并不想直接把它们贴出来。代码是最好的老师，因此我要教大家自己从源码中获得这些函数。因为随着Spark的版本更新，内置函数会越来越多，单纯把一个版本的函数列出来可能会误导他人。所以本文所介绍的内容是各版本通用的。
代码中的表达式函数
使用代码中的表达式函数
我这里所指的表达式代码中的函数即sin、cos、isnull这种可以在表达式中编写的函数：
df.select(sin($"a").as("sin_a"), cos($"a").as("cos_a")).filter(!isnull($"sin_a"))
获取当前使用版本的表达式函数集合
这个类型的函数是定义在org.apache.spark.sql.functions伴生对象中。
在使用时，只用import org.apache.spark.sql.functions._即可使用其中的所有表达式函数。在需要使用这种类型的函数时，只需要打开这个类即可查找你所需要的函数。
比如sin函数的定义为：
/**
* @param e angle in radians
* @return sine of the angle, as if computed by `java.lang.Math.sin`
*
* @group math_funcs
* @since 1.4.0
*/
def sin(e: Column): Column = withExpr { Sin(e.expr) }
/**
* @param columnName angle in radians
* @return sine of the angle, as if computed by `java.lang.Math.sin`
*
* @group math_funcs
* @since 1.4.0
*/
def sin(columnName: String): Column = sin(Column(columnName))有两个重载版本，第一个重载版本sin(e: Column)需要填入一个Column对象，第二个重载版本sin(columnName: String)就可以直接填入列名字符串了。
获取Column对象
如果我们需要把列名转换成Column对象，我们可以使用以下方法：
1、使用这个列所在的DataFrame对象获取，即调用df("列名")或者df.col("列名")来精确获取某个DataFrame中的列，使用这种方式可以用来处理两个DataFrame进行join合并后出现列名重复的情况:
/**
* Selects column based on the column name and returns it as a [[Column]].
*
* @note The column name can also reference to a nested column like `a.b`.
*
* @group untypedrel
* @since 2.0.0
*/
def apply(colName: String): Column = col(colName)
/**
* Selects column based on the column name and returns it as a [[Column]].
*
* @note The column name can also reference to a nested column like `a.b`.
*
* @group untypedrel
* @since 2.0.0
*/
def col(colName: String): Column = colName match {
case "*" =>
Column(ResolvedStar(queryExecution.analyzed.output))
case _ =>
if (sqlContext.conf.supportQuotedRegexColumnName) {
colRegex(colName)
} else {
val expr = resolve(colName)
Column(expr)
}
}2、使用org.apache.spark.sql.functions中定义的col或者column方法来获取列，如果一个DataFrame里有列名重复，则会抛异常:
/**
* Returns a [[Column]] based on the given column name.
*
* @group normal_funcs
* @since 1.3.0
*/
def col(colName: String): Column = Column(colName)
/**
* Returns a [[Column]] based on the given column name. Alias of [[col]].
*
* @group normal_funcs
* @since 1.3.0
*/
def column(colName: String): Column = Column(colName)3、通过声明import sqlContext.implicits._来使用$"a"获取表示a列的Column对象：
import sparkSession.sqlContext.implicits._表达式字符串中的函数
使用表达式字符串
使用表达式字符串有以下几种方式：
1、使用DataFrame中的selectExpr方法
2、使用使用org.apache.spark.sql.functions中定义的expr方法包裹表达式字符串
// 下面两个表达式是等价的:
// 最后的abs为表达式字符串
ds.selectExpr("colA", "colB as newName", "abs(colC)")
ds.select(expr("colA"), expr("colB as newName"), expr("abs(colC)"))3、使用DataFrame中的def filter(conditionExpr: String)或def where(conditionExpr: String)方法
// 其中 '>' 可当作表达式字符串
peopleDs.filter("age > 15")
peopleDs.where("age > 15")4、将一个DataFrame注册到一个表名上。之后就可以使用sparkSession.sql或者sqlContext.sql对该表进行处理。Spark 2.0之后可以运行所有99个TPC-DS查询。
Spark 2.0之前使用dataFrame.registerTempTable
Spark 2.0之后使用dataFrame.createOrReplaceTempView
以下例子中没有涉及表达式字符串
// Register the DataFrame as a global temporary view
df.createGlobalTempView("people")
// Global temporary view is tied to a system preserved database `global_temp`
spark.sql("SELECT * FROM global_temp.people").show()
// +----+-------+
// | age| name|
// +----+-------+
// |null|Michael|
// | 30| Andy|
// | 19| Justin|
// +----+-------+
// Global temporary view is cross-session
spark.newSession().sql("SELECT * FROM global_temp.people").show()
// +----+-------+
// | age| name|
// +----+-------+
// |null|Michael|
// | 30| Andy|
// | 19| Justin|
// +----+-------+获取当前使用版本的字符串函数集合
表达式字符串函数的定义是在org.apache.spark.sql.catalyst.analysis.FunctionRegistry伴生对象中，其中expressions变量定义了所有可用的表达式。
举例说expression[Substring]("substr")声明，即声明了你可以在表达式字符串中使用substr函数。具体使用方法可以进到前面的Substring类中来，以下就是Substring类的声明：
/**
* A function that takes a substring of its first argument starting at a given position.
* Defined for String and Binary types.
*
* NOTE: that this is not zero based, but 1-based index. The first character in str has index 1.
*/
@ExpressionDescription(
usage = "_FUNC_(str, pos[, len]) - Returns the substring of `str` that starts at `pos` and is of length `len`, or the slice of byte array that starts at `pos` and is of length `len`.",
examples = """
Examples:
> SELECT _FUNC_('Spark SQL', 5);
k SQL
> SELECT _FUNC_('Spark SQL', -3);
SQL
> SELECT _FUNC_('Spark SQL', 5, 1);
k
""")
case class Substring(str: Expression, pos: Expression, len: Expression)通过阅读类上的介绍我们就可以了解其用法。
从Spark 2.3.0开始，官方文档给出了可用函数列表： http://spark.apache.org/docs/latest/api/sql/index.html 即对应着这里所声明的函数。
但是要注意这些函数只适用于Spark 2.3.0及以后版本，里面介绍的部分函数可能在较低Spark版本中不可用。
自定义函数
Spark SQL提供了可自定义字符串函数的功能,定义的该字符串函数只能在定义该函数的sparkSession内使用，否则会报解析失败：
/**
* A collection of methods for registering user-defined functions (UDF).
*
* The following example registers a Scala closure as UDF:
* {{{
* sparkSession.udf.register("myUDF", (arg1: Int, arg2: String) => arg2 + arg1)
* }}}
*
* The following example registers a UDF in Java:
* {{{
* sparkSession.udf().register("myUDF",
* (Integer arg1, String arg2) -> arg2 + arg1,
* DataTypes.StringType);
* }}}
*
* @note The user-defined functions must be deterministic. Due to optimization,
* duplicate invocations may be eliminated or the function may even be invoked more times than
* it is present in the query.
*
* @since 2.0.0
*/
def udf: UDFRegistration = sessionState.udfRegistration