Spark SQL

一、Spark SQL概述

Spark SQL属于Spark计算框架的一部分，是专门负责结构化数据的处理计算框架，Spark SQL提供了两种数据抽象：DataFrame、Dataset,都是基于RDD之上的一种高级数据抽象，在RDD基础之上增加了一个schema表结构。

DataFrame是以前旧版本的数据抽象（untyped类型的数据抽象），Dataset是新版本的数据抽象（typed有类型的数据抽象），新版本当中DataFrame底层就是Dataset[Row]。

Spark SQL特点

• 易整合
• 统一的数据访问方式
• 兼容Hive
• 标准的数据库连接

二、准备Spark SQL的编程环境

1、创建Spark SQL的编程项目，scala语言支持的

2、引入编程依赖

spark-core_2.12
hadoop-hdfs
spark-sql_2.12

spark-hive_2.12

hadoop的有一个依赖jackson版本和scala2.12版本冲突了，Spark依赖中也有这个依赖，但是默认使用的是pom.xml先引入的那个依赖，把hadoop中jackson依赖排除了即可。

<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
  xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
  <modelVersion>4.0.0modelVersion>

  <groupId>com.kanggroupId>
  <artifactId>spark-sql-studyartifactId>
  <version>1.0-SNAPSHOTversion>
  <packaging>jarpackaging>

  <name>spark-sql-studyname>
  <url>http://maven.apache.orgurl>

  <properties>
    <project.build.sourceEncoding>UTF-8project.build.sourceEncoding>
  properties>

  <dependencies>
    <dependency>
      <groupId>org.apache.hadoopgroupId>
      <artifactId>hadoop-hdfsartifactId>
      <version>3.1.4version>
      <exclusions>
        <exclusion>
          <groupId>com.fasterxml.jackson.modulegroupId>
          <artifactId>*artifactId>
        exclusion>
        <exclusion>
          <groupId>com.fasterxml.jackson.coregroupId>
          <artifactId>*artifactId>
        exclusion>
      exclusions>
    dependency>
    <dependency>
      <groupId>org.apache.sparkgroupId>
      <artifactId>spark-core_2.12artifactId>
      <version>3.1.1version>
    dependency>
    <dependency>
      <groupId>org.apache.sparkgroupId>
      <artifactId>spark-sql_2.12artifactId>
      <version>3.1.1version>
    dependency>
    <dependency>
      <groupId>mysqlgroupId>
      <artifactId>mysql-connector-javaartifactId>
      <version>8.0.18version>
    dependency>

    <dependency>
      <groupId>org.apache.sparkgroupId>
      <artifactId>spark-hive_2.12artifactId>
      <version>3.1.1version>
    dependency>
  dependencies>
project>

三、Spark SQL程序编程的入口

1、SQLContext：只能做SQL编程，无法操作Hive以及使用HQL操作。

2、HiveContext：专门提供用来操作和Hive相关的编程。

3、SparkSession：全新的Spark SQL程序执行入口，把SQLContext和HiveContext功能全部整合了，SparkSession底层封装了一个SparkContext，而且SparkSession可以开启Hive的支持。

package study

import org.apache.spark.SparkConf
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, SparkSession}
/**
 * Spark SQL的基本案例执行
 */
object Demo01 {
  def main(args: Array[String]): Unit = {
    /**
     * 1、创建Spark SQL的程序编程入口
     */
    val sparkConf:SparkConf = new SparkConf()
    val sc:SparkSession = SparkSession.builder().appName("test").master("local[*]").config(sparkConf).getOrCreate()
    import sc.implicits._

    /**
     * 2、创建DataFrame或者Dataset数据抽象
     */
    val rdd:RDD[(String,Int)] = sc.sparkContext.makeRDD(Array(("zs",20),("ls",30)))
    val df:DataFrame = rdd.toDF("name","age")
    df.printSchema()
    df.show()

    sc.stop()
  }
}

四、DataFrame的创建

• 1、使用隐式转换函数从RDD、Scala集合创建DataFrame
  toDF() toDF(columnName*)

  • 机制：如果集合或者RDD的类型不是Bean，而且再toDF没有传入任何的列名，那么Spark会默认按照列的个数给生成随机的列名，但是如果类型是一个Bean类型，那么toDF产生的随机列名就是bean的属性名。

  • package create.methon1
    
    import org.apache.spark.SparkConf
    import org.apache.spark.sql.{DataFrame, SparkSession}
    /**
     * 1、通过隐式转换函数从Scala集合创建DataFrame
     *   如果使用隐式转换函数 那么必须引入spark定义的隐式转换函数代码
     *   sparksession的对象名.implicits._
     */
    object Demo01 {
      def main(args: Array[String]): Unit = {
        val sparkConf:SparkConf = new SparkConf()
        val ss:SparkSession = SparkSession.builder().appName("seq to df").master("local[*]").config(sparkConf).getOrCreate()
        //隐式转换必须导入隐式转换函数类
        import ss.implicits._
    
        /**
         * 从集合创建DataFrame
         * 集合一般都是T类型的 T类型如果是Scala自带类型，toDF后面需要跟列名，不跟列名也可以
         * 集合必须是Seq类型的 而且必须显示的声明为Seq类型
         */
        val array:Seq[(String,Int)] = Array(("zs",20),("ls",30))
        val df:DataFrame = array.toDF("name","age")
        df.printSchema()
        df.show()
    
        val array1:Seq[Student] = Array(Student("zs",21),Student("ls",25))
        val df1:DataFrame = array1.toDF()
        df1.printSchema()
        df1.show()
    
        ss.stop()
    
      }
    }
    

  • package create.methon1
    
    import org.apache.spark.SparkConf
    import org.apache.spark.rdd.RDD
    import org.apache.spark.sql.{DataFrame, SparkSession}
    /**
     * 1、通过隐式转换函数从RDD创建DataFrame
     *   如果使用隐式转换函数 那么必须引入spark定义的隐式转换函数代码
     *   sparksession的对象名.implicits._
     */
    object Demo02 {
      def main(args: Array[String]): Unit = {
        val sparkConf:SparkConf = new SparkConf()
        val ss:SparkSession = SparkSession.builder().appName("seq to df").master("local[*]").config(sparkConf).getOrCreate()
        //隐式转换必须导入隐式转换函数类
        import ss.implicits._
    
        /**
         * 从RDD创建DataFrame
         */
        val array:Seq[(String,Int)] = Array(("zs",20),("ls",30))
        val rdd:RDD[(String,Int)] = ss.sparkContext.makeRDD(array)
        val df:DataFrame = rdd.toDF()
        df.printSchema()
        df.show()
    
        val array1:Seq[Student] = Array(Student("zs",21),Student("ls",25))
        val rdd1:RDD[Student] = ss.sparkContext.makeRDD(array1)
        val df1:DataFrame = rdd1.toDF()
        df1.printSchema()
        df1.show()
    
        ss.stop()
    
      }
    }
    

  • package create.methon1
    
    case class Student(name:String,age:Int)
    

• 2、通过SparkSession自带的createDataFrame函数从集合或者RDD中创建DataFrame—使用并不多

  • package create.methon2
    
    import org.apache.spark.SparkConf
    import org.apache.spark.sql.types.{DataType, DataTypes, StructField, StructType}
    import org.apache.spark.sql.{DataFrame, Row, SparkSession}
    /**
     * createDataFrame函数从集合中创建DataFrame
     */
    object Demo01 {
      def main(args: Array[String]): Unit = {
        val sparkConf: SparkConf = new SparkConf()
        val ss: SparkSession = SparkSession.builder().appName("seq to df").master("local[*]").config(sparkConf).getOrCreate()
        /**
         * 1、通过Scala的seq集合创建DataFrame 列名是自动生成的
         */
        val array:Seq[(String,Int)] = Array(("zs",20),("ls",30))
        val df:DataFrame = ss.createDataFrame(array)
        df.printSchema()
        df.show()
    
        val array1:Seq[Student] = Array(Student("zs",20),Student("ls",30))
        val df1:DataFrame = ss.createDataFrame(array1)
        df1.printSchema()
        df1.show()
        /**
         * 2、从java集合中创建DataFrame，如果是Java集合，必须传入一个BeanClass
         * 同时如果Java集合中存放的数据类型是Row类型，那么必须传入StructType指定row的结构
         *
         * java集合中如果使用BeanClass构建DaraFrame，要求Java集合中存放的数据类型也必须是Bean的类型
         * BeanClass必须有getter和setter方法
         */
        val list: java.util.List[Student] = java.util.Arrays.asList(Student("ls",20),Student("zs",30))
        val df2 = ss.createDataFrame(list,classOf[Student])
        df2.printSchema()
        df2.show()
        /**
         * 3、java集合的类型为row类型
         */
        val list1: java.util.List[Row] = java.util.Arrays.asList(Row("ls",20),Row("zs",30))
        val df3 = ss.createDataFrame(list1,StructType(java.util.Arrays.asList(StructField("name",DataTypes.StringType),StructField("age",DataTypes.IntegerType))))
        df3.printSchema()
        df3.show()
        ss.stop()
      }
    }
    

  • package create.method2
    
    import create.methon2.Student
    import org.apache.spark.SparkConf
    import org.apache.spark.rdd.RDD
    import org.apache.spark.sql.types.{DataTypes, StructField, StructType}
    import org.apache.spark.sql.{DataFrame, Row, SparkSession}
    
    import java.util
    
    /**
     * createDataFrame函数从RDD中创建DataFrame(操作手法完全一致的)
     */
    object Demo02 {
      def main(args: Array[String]): Unit = {
        val sparkConf: SparkConf = new SparkConf()
        val ss: SparkSession = SparkSession.builder().config(sparkConf).appName("seq to df").master("local[*]").getOrCreate()
    
        /**
         * 1、通过Scala的seq集合创建DataFrame 列名是自动生成的
         */
        val array:Seq[(String,Int)] = Array(("zs",20),("ls",30))
        val rdd:RDD[(String,Int)] = ss.sparkContext.makeRDD(array)
        val df:DataFrame = ss.createDataFrame(rdd)
        df.printSchema()
        df.show()
    
        val array1: Seq[Student] = Array(Student("zs",20))
        val rdd1:RDD[Student] = ss.sparkContext.makeRDD(array1)
    
        val df1: DataFrame = ss.createDataFrame(rdd1,classOf[Student])
        df1.printSchema()
        df1.show()
    
        /**
         * 3、java集合的类型为row类型
         */
        val array2:Array[Row] = Array(Row("zs",20),Row("ww",30))
        val rdd2:RDD[Row] = ss.sparkContext.makeRDD(array2)
        val df3 = ss.createDataFrame(rdd2, StructType(Array(StructField("name", DataTypes.StringType), StructField("age", DataTypes.IntegerType))))
    
        df3.printSchema()
        df3.show()
    
    
        ss.stop()
      }
    }
    

  • package create.methon2
    
    import scala.beans.BeanProperty
    
    case class Student(@BeanProperty var name:String, @BeanProperty var age:Int)
    

• 3、从Spark SQL支持的数据源创建DataFrame（HDFS、Hive、JSON文件、CSV文件等等)：使用频率最高的

  • 外部存储HDFS中读取数据成为DataFrame

    • ss.read.format(“jsonxx”).load(“path”) 不太好用
    • ss.read.option(key,value).option(…).csv/json(path)

  • 从jdbc支持的数据库创建DataFrame

    • ss.read.jdbc(url,table,properties)

    package create.methon3
    
    import org.apache.spark.SparkConf
    import org.apache.spark.sql.{DataFrame, SparkSession}
    
    import java.util.Properties
    
    /**
     * 从外部存储读取数据成为DataFrame
     */
    object Demo01 {
      def main(args: Array[String]): Unit = {
        val sparkConf:SparkConf = new SparkConf()
        val ss:SparkSession = SparkSession.builder().appName("storage to df").master("local[*]").getOrCreate()
    
        /**
         * 从csv文件读取数据成为DataFrame
         */
        val df:DataFrame = ss.read.option("header","true").format("csv").load("file:///D://Desktop/Student.csv")
        df.printSchema()
        df.show()
    
        /**
         * 读取模式有三种：
         * permissive:默认的
         * dropMalformed
         * failfast
         */
        val df1:DataFrame = ss.read.option("header","true").format("csv").option("mode","permissive").csv("file:///D://Desktop/Student.csv")
        df1.printSchema()
        df1.show()
    
        /**
         * 从json文件创建DataFrame
         * json文件中要求一个json对象独占一行
         */
        val df2:DataFrame = ss.read.option("mode","dropMalformed").json("file:///D://Desktop/Student.json")
        df2.printSchema()
        df2.show()
    
        /**
         * 从普通的文本文档创建DataFrame---不太实用
         */
        val df3 = ss.read.text("file:///D://Desktop/Student.csv")
        df3.printSchema()
        df3.show()
    
        /**
         * 从JDBC可以连接的数据库(rdbms、Hive)创建DataFrame
         */
        val prop:Properties = new Properties()
        prop.setProperty("user","root")
        prop.setProperty("password","root")
        val df4 = ss.read.jdbc("jdbc:mysql://localhost:3306/spark?serverTimezone=Asia/Shanghai&useUnicode=true&characterEncoding=UTF-8","student",prop)
        df4.printSchema()
        df4.show()
    
        ss.stop()
      }
    }
    

  • 读取Hive数据成为DataFrame

    • 1、通过SparkSession开启Hive的支持

    • 2、引入spark-hive的编程依赖

    • 3、通过ss.sql()

    • package create.methon3
      
      import org.apache.spark.SparkConf
      import org.apache.spark.sql.{DataFrame, SparkSession}
      
      /**
       * 连接Hive创建DataFrame:
       *   1、jdbc方式（基本的操作只能查询表中的所有字段 所有数据）
       *   2、Spark SQL On Hive：用Hive作为数据存储，用Spark直连Hive 操作Hive中的数据
       *     不是使用JDBC的方式，而是使用的Hive的元数据库来完成的
       *     两步操作：（1）需要把Hive的配置文件放到项目的resources目录下，如果在集群环境下，我们需要把hive的配置文件放到spark的conf目录下，（2）需要开启SparkSession的hive支持
       */
      object Demo02 {
        def main(args: Array[String]): Unit = {
          val sparkConf:SparkConf = new SparkConf()
          val sparkSession:SparkSession = SparkSession.builder().appName("spark sql on hive").master("local[*]").config(sparkConf).enableHiveSupport().getOrCreate()
      
          /**
           * 从Hive中读取数据创建DataFrame
           */
          val df:DataFrame = sparkSession.sql("select * from project.ods_user_behavior_origin")
          df.printSchema()
          df.show()
          //新建数据表
          sparkSession.sql("create table test (name string,age int,sex string) row format delimited fields terminated by '*'")
      
          sparkSession.stop()
        }
      }
      

• 4、从其他的DataFrame转换的来

五、DataFrame的编程风格

• 通过代码来操作计算DataFrame中数据

• DSL编程风格

  • DataFrame和Dataset提供了一系列的API操作，API说白了就是Spark SQL中算子操作，可以通过算子操作来获取DataFrame或者Dataset中的数据。

  • 转换算子

    • RDD具备的算子DataFrame基本上都可以使用。
    • DataFrame还增加了一些和SQL操作有关的算子：
      selectExpr、where/filter、groupBy、orderBy/sort、limit、join

    操作算子	算子概念
    limit	获得指定前n行数据并形成新的 dataframe
    where、filter	条件过滤
    select	根据传入的 string 类型字段名，获取指定字段的值，以 DataFrame 类型返回
    join	按指定的列进行合并两个dataframe
    groupBy	按指定字段进行分组，后面可加聚合函数对分组后的数据进行操作
    orderBy、sort	按指定字段排序
    selectExpr	对指定字段进行特殊处理，可以对指定字段调用 UDF 函数或者指定别名；selectExpr 传入 string 类型的参数，返回 DataFrame 对象。

  • 行动算子

    • RDD具备的行动算子DataFrame和Dataset也都具备一些

    • collect/collectAsList：不建议使用，尤其是数据量特别庞大的情况下

    • foreach/foreachPartition

    • 获取结果集的一部分数据

      • first/take(n)/head(n)/takeAsList(n)/tail(n)
      • 获取的返回值类型就是Dataset存储的数据类型

    • printSchema：获取DataFrame或者Dataset的表结构的

    • show()/show(num,truncate:boolean)/show(num,truncate:Int)/show(num,truncate:Int,ver:boolean)

    • 保存输出的算子

      • 文件系统

        • df/ds.write.mode(SaveMode).csv/json/parquet/orc/text(path–目录)
        • text纯文本文档要求DataFrame和Dataset的结果集只有一列 而且列必须是String类型

      • JDBC支持的数据库

        • df/ds.write.mode().jdbc

        • foreach|foreachPartition

        • package oprator
          
          import org.apache.spark.SparkConf
          import org.apache.spark.sql.{Dataset, SaveMode, SparkSession}
          
          import java.util.Properties
          
          object Demo03 {
            def main(args: Array[String]): Unit = {
              val sparkConf: SparkConf = new SparkConf()
              val ss: SparkSession = SparkSession.builder().appName("action").master("local[*]").config(sparkConf).enableHiveSupport().getOrCreate()
              import ss.implicits._
          
              /**
               * 创建DataFrame
               */
              val array:Seq[(String,Int,String)] = Array(("zs",20,"man"),("ls",30,"woman"),("ww",40,"man"),("ml",50,"woman"))
              val dataset:Dataset[(String,Int,String)] = array.toDS()
          //    dataset.show()
              /**
               * 保存到MySQL当中  JDBC连接保存
               */
              val prop = new Properties()
              prop.setProperty("user","root")
              prop.setProperty("password","root")
              dataset.write.mode(SaveMode.Overwrite).jdbc("jdbc:mysql://localhost:3306/spark?serverTimezone=Asia/Shanghai","Student",prop)
          
              ss.stop()
            }
          }
          

        • 执行前

        

        • 执行后

        

      • Hive

        • df/ds.write.mode().saveAsTable(“库名.表名”)

        • 1、保证hive支持开启的

        • 2、保存的数据底层在HDFS上以parquet文件格式保存的

        • dataset.write.mode(SaveMode.Append).saveAsTable("default.demo")
          

        • 

• SQL编程风格

  • 1、将创建的DataFrame加载为一个临时表格
  • 2、然后通过ss.sql(sql语句)进行数据的查询

  package oprator
  
  import org.apache.spark.SparkConf
  import org.apache.spark.sql.{DataFrame, SparkSession}
  
  object Demo01 {
    def main(args: Array[String]): Unit = {
      val sparkConf:SparkConf = new SparkConf()
      val ss:SparkSession = SparkSession.builder().appName("spark sql on hive").enableHiveSupport().master("local[*]").getOrCreate()
  
      /**
       * 从Hive中读取数据创建DataFrame
       */
      val df:DataFrame = ss.sql("select * from project.ods_user_behavior_origin")
  
      df.createTempView("test_spark_sql")
      val df1 = ss.sql("select ip_addr,parse_url(request_url,'HOST') as host,age from test_spark_sql")
      df1.show()
  
      df.selectExpr("ip_addr","parse_url(request_url,'HOST') as host").show()
      df.select("age","ip_addr").where("age>40").show()
      ss.stop()
    }
  }
  

六、DataSet的创建和使用

Dataset有类型，DataFrame无类型的。

创建

• 1、隐式转换，toDS()

  • package createdataset
    
    import org.apache.spark.SparkConf
    import org.apache.spark.sql.{Dataset, SparkSession}
    
    import scala.beans.BeanProperty
    case  class Student(@BeanProperty var name:String,@BeanProperty var age:Int)
    object Demo01 {
      def main(args: Array[String]): Unit = {
        val sparkConf:SparkConf = new SparkConf()
        val sparkSession:SparkSession = SparkSession.builder().appName("createds").config(sparkConf).master("local[*]").getOrCreate()
        import sparkSession.implicits._
        /**
         * 通过隐式转换从集合或者rdd创建Dataset
         */
        val array:Seq[(String,Int)] = Array(("zs",20),("ls",30))
        val ds:Dataset[(String,Int)] = array.toDS()
        ds.printSchema()
        ds.show()
    
        val array1:Seq[Student] = Array(Student("zs",30),Student("ls",20))
        val ds1:Dataset[Student] = array1.toDS()
        ds1.printSchema()
        ds1.show()
    
        sparkSession.stop()
      }
    }
    

  • 

• 2、通过SparkSession的createDataset函数创建

  • /**
     *  通过SparkSession的createDataset函数创建
     */
    val rdd:RDD[Student] = sparkSession.sparkContext.makeRDD(array1)
    val ds2:Dataset[Student] = sparkSession.createDataset(rdd)
    ds2.show()
    

  • 

• 3、通过DataFrame转换得到Dataset
  df.as[类型-Bean对象必须有getter、setter方法]
  也是需要隐式转换的

  • /**
     * 通过DataFrame转换得到Dataset
     */
    val df:DataFrame = sparkSession.createDataFrame(rdd, classOf[Student])
    val ds3:Dataset[Student] = df.as[Student]
    ds3.show()
    

  • 

七、Spark SQL的函数操作

Spark SQL基本上常见的MySQL、Hive中函数都是支持的。

package function

import org.apache.spark.SparkConf
import org.apache.spark.sql.{DataFrame, SparkSession}

object Demo01 {
  def main(args: Array[String]): Unit = {
    val sparkConf:SparkConf = new SparkConf()
    val ss:SparkSession = SparkSession.builder().appName("function").master("local[*]").enableHiveSupport().config(sparkConf).getOrCreate()
    import ss.implicits._

    val array:Seq[(Int,String,Int)] = Array((1,"zs",80),(1,"ls",90),(1,"ww",65),(1,"ml",70),(2,"zsf",70),(2,"zwj",67),(2,"qf",76),(2,"dy",80))
    val df:DataFrame = array.toDF("classId","studentName","score")
    df.createOrReplaceTempView("student_score_temp")

    ss.sql("select *,row_number() over(partition by classId order by score desc) as class_rank from student_score_temp").show()

    ss.stop()
  }
}

ss.sql("select * from (select *,row_number() over(partition by classId order by score desc) as class_rank from student_score_temp) as temp where temp.class_rank < 2").show()

val array: Seq[(String, String)] = Array(("zs", "play,eat,drink"), ("ls", "play,game,run"))
val df: DataFrame = array.toDF("name", "hobby")
df.createOrReplaceTempView("temp")
/**
 * zs play,eat,drink
 * ls play,game,run
 * zs play
 * zs eat
 */
ss.sql("select temp.name,a.bobby from temp lateral view explode(split(hobby,',')) a as bobby").show()

自定义函数

• ss.udf.register(name,函数)

package function

import org.apache.spark.SparkConf
import org.apache.spark.sql.expressions.Aggregator
import org.apache.spark.sql.{DataFrame, Encoder, Encoders, SparkSession}

object Demo02 {
  def main(args: Array[String]): Unit = {
    val sparkConf: SparkConf = new SparkConf()
    val ss: SparkSession = SparkSession.builder().appName("createMyFunction").master("local[*]").config(sparkConf).enableHiveSupport().getOrCreate()
    import ss.implicits._

    ss.udf.register("my_length",(name:String)=>{name.length})

    val array: Seq[(String, String)] = Array(("zs", "play,eat,drink"), ("ls", "play,game,run"))
    val df: DataFrame = array.toDF("name", "hobby")
    df.selectExpr("my_length(hobby)").show()

    ss.udf.register("my_avg",new My())
    val array1: Seq[(String, Int)] = Array(("zs", 20), ("ls", 30))
    val df1: DataFrame = array1.toDF("name", "score")
    df1.selectExpr("my_avg(score)").show()

    ss.stop()
  }
}
class My_AVG extends Aggregator[Int,(Int,Int),java.lang.Double]{
  /**
   * 设置初始值的 是缓冲区的初始值
   * @return
   */
  override def zero: (Int, Int) = (0,0)

  /**
   * 当输入一个结果之后，缓冲区如何对输入的结果进行计算
   *
   * @param b 缓冲区
   * @param a 输入的某一个值
   * @return
   */
  override def reduce(b: (Int, Int), a: Int): (Int, Int) = {
    (b._1+a,b._2+1)
  }

  /**
   * 分区之间的合并
   *
   * @param b1
   * @param b2
   * @return
   */
  override def merge(b1: (Int, Int), b2: (Int, Int)): (Int, Int) = {
    (b1._1+b2._1,b1._2+b2._2)
  }

  /**
   * 最后的结果
   *
   * @param reduction
   * @return
   */
  override def finish(reduction: (Int, Int)): java.lang.Double = {
    reduction._1.toDouble / reduction._2
  }

  override def bufferEncoder: Encoder[(Int, Int)] = Encoders.product[(Int, Int)]

  override def outputEncoder: Encoder[java.lang.Double] = Encoders.DOUBLE
}
--------------------------------------------------------------------------------
--------------------------------------------------------------------------------
package function

import org.apache.spark.sql.Row
import org.apache.spark.sql.expressions.{MutableAggregationBuffer, UserDefinedAggregateFunction}
import org.apache.spark.sql.types.{DataType, DataTypes, StructField, StructType}

class My extends UserDefinedAggregateFunction{
  override def inputSchema: StructType = StructType(Array(StructField("score",DataTypes.IntegerType)))

  override def bufferSchema: StructType = StructType(Array(StructField("sum",DataTypes.IntegerType),StructField("count",DataTypes.IntegerType)))

  override def dataType: DataType = DataTypes.DoubleType

  override def deterministic: Boolean = true

  override def initialize(buffer: MutableAggregationBuffer): Unit = {
    buffer(0) = 0
    buffer(1) = 0
  }

  override def update(buffer: MutableAggregationBuffer, input: Row): Unit = {
    buffer(0) = buffer.getInt(0)+input.getInt(0)
    buffer(1) = buffer.getInt(1)+1
  }

  override def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {
    buffer1(0) = buffer1.getInt(0) + buffer2.getInt(0)
    buffer1(1) = buffer1.getInt(1) + buffer2.getInt(1)
  }

  override def evaluate(buffer: Row): Any = {
    buffer.getInt(0).toDouble/buffer.getInt(1)
  }
}