Spark之DataFrame操作大全

Spark Session中的DataFrame类似于一张关系型数据表。在关系型数据库中对单表或进行的查询操作，在DataFrame中都可以通过调用其API接口来实现。

可以参考，Scala提供的DataFrame API。本文中的代码基于Spark-2.2的文档实现。

一、DataFrame对象的生成

　　Spark-SQL可以以其他RDD对象、parquet文件、json文件、Hive表，以及通过JDBC连接到其他关系型数据库作为数据源来生成DataFrame对象。本文将以MySQL数据库为数据源，生成DataFrame对象后进行相关的DataFame之上的操作。 
　　文中生成DataFrame的代码如下：

　　val ss = SparkSession.builder()
　　　　　　　　　　.appName(“ta”)
　　　　　　　　　　.master(“local[4]”)
　　　　　　　　　　.config(“spark.mongodb.input.uri”,”mongodb://username:[email protected]:27017/log.”)
　　　　　　　　　　.config(“spark.mongodb.output.uri”,”mongodb://username:[email protected]:27017/log”)
　　　　　　　　　　.getOrCreate()

1.读取mysql数据 　　

　　val url = “jdbc:mysql://m000:3306/test”
　　val jdbcDF = ss.read.format( “jdbc” ).options(Map( “url” -> url,”user” -> “xxx”,”password” -> “xxx”, “dbtable” -> “xxx” )).load()

2.读取SqlServer数据 　　

　　val sqlUrl=”jdbc:sqlserver://192.168.1.3:1433;DatabaseName=mytable;username=xxxx;password=xxx”
　　val data2DF = ss.read.format(“jdbc”).options( Map(“url” -> sqlsUrl, “dbtable” -> “TableName”)).load()

3.读取MongoDB数据

　 val data1DF = MongoSpark.load(ss, ReadConfig(Map(“collection” -> “TableName”), Some(ReadConfig(ss))))

二、DataFrame对象上Action操作

1、show：展示数据

　　以表格的形式在输出中展示jdbcDF中的数据，类似于select * from spark_sql_test的功能。 
　　show方法有四种调用方式，分别为， 
（1）show 
　　只显示前20条记录。且过长的字符串会被截取
　　示例：jdbcDF.show

（2）show(numRows: Int) 

　　显示numRows条 
　　示例：jdbcDF.show(3)

（3）show(truncate: Boolean) 
　　是否截取20个字符，默认为true。 
　　示例：jdbcDF.show(false)　　

（4）show(numRows: Int, truncate: Int) 
　　显示记录条数，以及截取字符个数，为0时表示不截取
　　示例：jdbcDF.show(3, 0)

2、collect：获取所有数据到数组

　　不同于前面的show方法，这里的collect方法会将jdbcDF中的所有数据都获取到，并返回一个Array对象。

jdbcDF.collect()

结果数组包含了jdbcDF的每一条记录，每一条记录由一个GenericRowWithSchema对象来表示，可以存储字段名及字段值。 

3、collectAsList：获取所有数据到List

　　功能和collect类似，只不过将返回结构变成了List对象，使用方法如下

jdbcDF.collectAsList()

4、describe(cols: String*)：获取指定字段的统计信息

　　这个方法可以动态的传入一个或多个String类型的字段名，结果仍然为DataFrame对象，用于统计数值类型字段的统计值，比如count, mean, stddev, min, max等。 
　　使用方法如下，其中c1字段为字符类型，c2字段为整型，c4字段为浮点型

jdbcDF .describe("c1" , "c2", "c4" ).show()

结果如下， 
　　

5、first, head, take, takeAsList：获取若干行记录

　　这里列出的四个方法比较类似，其中 
　　（1）first获取第一行记录 
　　（2）head获取第一行记录，head(n: Int)获取前n行记录 
　　（3）take(n: Int)获取前n行数据 
　　（4）takeAsList(n: Int)获取前n行数据，并以List的形式展现 
　　以Row或者Array[Row]的形式返回一行或多行数据。first和head功能相同。 
　　take和takeAsList方法会将获得到的数据返回到Driver端，所以，使用这两个方法时需要注意数据量，以免Driver发生OutOfMemoryError

　　使用和结果略。

三、DataFrame对象上的条件查询和join等操作

　　以下返回为DataFrame类型的方法，可以连续调用。

1、where条件相关

（1）where(conditionExpr: String)：SQL语言中where关键字后的条件 
　　传入筛选条件表达式，可以用and和or。得到DataFrame类型的返回结果， 
　　示例：

jdbcDF .where("id = 1 or c1 = 'b'" ).show()

结果， 
　　

（2）filter：根据字段进行筛选 
　　传入筛选条件表达式，得到DataFrame类型的返回结果。和where使用条件相同 
　　示例：jdbcDF .filter("id = 1 or c1 = 'b'" ).show()

　　

2、查询指定字段

（1）select：获取指定字段值 
　　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 
　　示例：

jdbcDF.select( "id" , "c3" )

还有一个重载的select方法，不是传入String类型参数，而是传入Column类型参数。可以实现select id, id+1 from test这种逻辑。

jdbcDF.select(jdbcDF( "id" ), jdbcDF( "id") + 1 ).show( false)

结果： 
　　

　　能得到Column类型的方法是apply以及col方法，一般用apply方法更简便。

（2）selectExpr：可以对指定字段进行特殊处理 
　　可以直接对指定字段调用UDF函数，或者指定别名等。传入String类型参数，得到DataFrame对象。 
　　示例，查询id字段，c3字段取别名time，c4字段四舍五入：

jdbcDF .selectExpr("id" , "c3 as time" , "round(c4)" ).show(false)

       结果， 
　　

（3）col：获取指定字段 
　　只能获取一个字段，返回对象为Column类型。 
　　val idCol = jdbcDF.col(“id”)

（4）apply：获取指定字段 
　　只能获取一个字段，返回对象为Column类型 
　　示例：

val idCol1 = jdbcDF.apply("id")
val idCol2 = jdbcDF("id")

（5）drop：去除指定字段，保留其他字段 
　　返回一个新的DataFrame对象，其中不包含去除的字段，一次只能去除一个字段。 
　　示例：

jdbcDF.drop("id")
jdbcDF.drop(jdbcDF("id"))

3、limit

　　limit方法获取指定DataFrame的前n行记录，得到一个新的DataFrame对象。和take与head不同的是，limit方法不是Action操作。

jdbcDF.limit(3)

4、order by

（1）orderBy和sort：按指定字段排序，默认为升序 
　　示例1，按指定字段排序。加个-表示降序排序。sort和orderBy使用方法相同

jdbcDF.orderBy(- jdbcDF("c4")).show(false) 只能对数字类型和日期类型生效
// 或者
jdbcDF.orderBy(jdbcDF("c4").desc).show(false)

结果， 
　　　

（2）sortWithinPartitions 
　　和上面的sort方法功能类似，区别在于sortWithinPartitions方法返回的是按Partition排好序的DataFrame对象。

5、group by

（1）groupBy：根据字段进行group by操作 
　　groupBy方法有两种调用方式，可以传入String类型的字段名，也可传入Column类型的对象。 
　　使用方法如下，

jdbcDF .groupBy("c1" )
jdbcDF.groupBy( jdbcDF( "c1"))

（2）cube和rollup：group by的扩展 
　　功能类似于SQL中的group by cube/rollup

（3）GroupedData对象 
　　该方法得到的是GroupedData类型对象，在GroupedData的API中提供了group by之后的操作，比如，

• max(colNames: String*)方法，获取分组中指定字段或者所有的数字类型字段的最大值，只能作用于数字型字段
• min(colNames: String*)方法，获取分组中指定字段或者所有的数字类型字段的最小值，只能作用于数字型字段
• mean(colNames: String*)方法，获取分组中指定字段或者所有的数字类型字段的平均值，只能作用于数字型字段
• sum(colNames: String*)方法，获取分组中指定字段或者所有的数字类型字段的和值，只能作用于数字型字段

• count()方法，获取分组中的元素个数

  　　运行结果示例： 
  　　count 
  　　

  　　max 
  　　

  　　这里面比较复杂的是以下两个方法， pivot，agg，该方法和下面介绍的类似，可以用于对指定字段进行聚合操作。

6、distinct

（1）distinct：返回一个不包含重复记录的DataFrame 
　　返回当前DataFrame中不重复的Row记录。该方法和接下来的dropDuplicates()方法不传入指定字段时的结果相同。 
　　示例：

jdbcDF.distinct()

　结果， 
　　

（2）dropDuplicates：根据指定字段去重 
　　根据指定字段去重。类似于select distinct a, b操作 
　　示例：

jdbcDF.dropDuplicates(Seq("c1"))

　结果： 
　　

7、聚合

　　聚合操作调用的是agg方法，该方法有多种调用方式。一般与groupBy方法配合使用。 
　　以下示例其中最简单直观的一种用法，对id字段求最大值，对c4字段求和。

jdbcDF.agg("id" -> "max", "c4" -> "sum")

　　结果： 
　　

8、union

　　union方法：对两个DataFrame进行合并
　　示例：

jdbcDF.union(jdbcDF.limit(1))

　　结果： 
　　

9、join

　　重点来了。在SQL语言中用得很多的就是join操作，DataFrame中同样也提供了join的功能。 
　　接下来隆重介绍join方法。在DataFrame中提供了六个重载的join方法。 
（1）、笛卡尔积

joinDF1.join(joinDF2)

（2）、using一个字段形式 
　　下面这种join类似于a join b using column1的形式，需要两个DataFrame中有相同的一个列名，

joinDF1.join(joinDF2, "id")

（3）、using多个字段形式 
　　除了上面这种using一个字段的情况外，还可以using多个字段，如下

joinDF1.join(joinDF2, Seq("id", "name")）

（4）、指定join类型 
　　两个DataFrame的join操作有inner, outer,full,full_outer,left, left_outer, right_outer, leftsemi类型。在上面的using多个字段的join情况下，可以写第三个String类型参数，指定join的类型，如下所示

joinDF1.join(joinDF2, Seq("id", "name"), "inner"）

（5）、使用Column类型来join 
　　如果不用using模式，灵活指定join字段的话，可以使用如下形式

joinDF1.join(joinDF2 , joinDF1("id" ) === joinDF2( "t1_id"))

结果如下， 
　　

（6）、在指定join字段同时指定join类型 
　　如下所示

joinDF1.join(joinDF2 , joinDF1("id" ) === joinDF2( "t1_id"), "inner")

10、获取指定字段统计信息

　　stat方法可以用于计算指定字段或指定字段之间的统计信息，比如方差，协方差等。这个方法返回一个DataFramesStatFunctions类型对象。 
　　下面代码演示根据c4字段，统计该字段值出现频率在30%以上的内容。在jdbcDF中字段c1的内容为"a, b, a, c, d, b"。其中a和b出现的频率为2 / 6，大于0.3

jdbcDF.stat.freqItems(Seq ("c1") , 0.3).show()

结果如下： 
　　

11、获取两个DataFrame中共有的记录

　　intersect方法可以计算出两个DataFrame中相同的记录，

jdbcDF.intersect(jdbcDF.limit(1)).show(false)

结果如下： 
　　

12、获取一个DataFrame中有另一个DataFrame中没有的记录

　　示例：

jdbcDF.except(jdbcDF.limit(1)).show(false)

结果如下， 
　　

13、操作字段名

（1）withColumnRenamed：重命名DataFrame中的指定字段名 
　　如果指定的字段名不存在，不进行任何操作。下面示例中将jdbcDF中的id字段重命名为idx。

jdbcDF.withColumnRenamed( "id" , "idx" )

结果如下： 
　　

（2）withColumn：往当前DataFrame中新增一列 
　　whtiColumn(colName: String , col: Column)方法根据指定colName往DataFrame中新增一列，如果colName已存在，则会覆盖当前列。 
　　以下代码往jdbcDF中新增一个名为id2的列，

jdbcDF.withColumn("id2", jdbcDF("id")).show( false)

结果如下， 
　　

14、行转列

　　有时候需要根据某个字段内容进行分割，然后生成多行，这时可以使用explode方法 
　　下面代码中，根据c3字段中的空格将字段内容进行分割，分割的内容存储在新的字段c3_中，如下所示

jdbcDF.explode( "c3" , "c3_" ){time: String => time.split( " " )}

结果如下，