2024 1.9 Spark_SQL , 数据清洗API , 写出操作

目录

一. DataFrame 详解

        1. 数据清洗API 

        1.去重 :

        2. 去除空:

        3. 填充替换 :

        2. SparkSQL的shuffle分区设置

        3 . SparkSQL 数据写出操作

                3.1  写出到文件系统

                3.2  写出到数据库

---

一. DataFrame 详解

        1. 数据清洗API 

        1.1 去重 :

                DropDupilcates :

                          init_df.dropDuplicates().show()
                            init_df.dropDuplicates(subset=["id","name"]).show()

用来删除重复数据。如果没有指定参数subset，那么要比对行中的所有字段内容，
            如果全部相同，就认为是重复数据，会被删除；如果有指定参数subset，那么只比对subset中指定的字段范围

        1.2 去除空:

                Dropna:

                                 init_df.dropna().show()
                                    init_df.dropna(subset=["id","name"]).show()        

                                init_df.dropna(thresh=2,subset=["name","age","address"]).show()
                            init_df.dropna(thresh=2).show()

                                dropna(thresh,subset):删除缺失值数据.
            1- 如果不传递任何参数，只要有任意一个字段值为null,那么就删除整行数据
            2- 如果只指定了subset,那么空值的检查,就只会限定在subset指定的范围内
            3- 如果只指定了thresh,那么空值检查的这些字段中,至少需要有thresh(>=thresh)个字段的值不为空,才不会被删除

        1.3 填充替换 :

                fillna : 

                        init_df.fillna(value=999).show()
                            init_df.fillna(value=999,subset=["id","name"]).show()
                            init_df.fillna(value={"id":111,"name":"未知姓名","age":100,"address":"北京"}).show()

                                 fillna(value,subset):替换缺失值数据
            value:必须要传递参数.是用来填充缺失值的
            subset:限定缺失值替换范围
        注意:
            1-value如果不是字典,那么只会替换字段类型匹配的空值
            2-最常用的是value传递字典的形式

        2. SparkSQL的shuffle分区设置

                如何调整shuffle分区数量呢? spark.sql.shuffle.partitions

方案二（常用，推荐使用）: 在客户端通过submit命令提交的时候, 动态设置shuffle的分区数量。部署、上线的时候、基于spark-submit提交运行的时候
    ./spark-submit --conf "spark.sql.shuffle.partitions=20"
 

方案三（比较常用）: 在代码中设置。主要在测试环境中使用, 但是一般在部署上线的时候, 会删除(写死)。优先级也是最高的。一般的使用场景是，当你的数据量未来不会发生太大的波动。
     sparkSession.conf.set('spark.sql.shuffle.partitions',20)

        3 . SparkSQL 数据写出操作

                3.1  写出到文件系统

常用参数说明：
    1- path：指定结果数据输出路径。支持本地文件系统和HDFS文件系统
    2- mode：当输出目录中文件已经存在的时候处理办法
        2.1- append：追加。如果文件已经存在，那么继续在该目录下产生新的文件
        2.2- overwrite：覆盖。如果文件已经存在，那么就先将已有的文件清除，再写入进去
        2.3- ignore：忽略。如果文件已经存在，那么不执行任何操作
        2.4- error：报错。如果文件已经存在，那么直接报错。会报错AnalysisException: path file:xxx already exists.
    3- sep：字段间的分隔符
    4- header：数据输出的时候，是否要将字段名称输出到文件的第一行。推荐设置为True
    5- encoding：文件输出的编码方式

                对应的简写API格式如下，以CSV为例：
init_df.write.csv(
    path='存储路径',
    mode='模式',
    header=True,
    sep='\001',
    encoding='UTF-8'
)

                 # 数据输出到文件系统：复杂API
 
        设置mode，需要单独调用mode()方法

    result.write\
        .format('json')\
        .mode("overwrite")\
        .option("encoding","UTF-8")\
        .save('存储路径')

                3.2  写出到数据库

 # 数据输出到数据

        创建数据库命令：create database 库名 character set utf8;

    result.write.jdbc(
        url='jdbc:mysql://node1:3306/库名?useUnicode=true&characterEncoding=utf-8',
        table='表名',
        mode='append',
        properties={ 'user' : '用户名', 'password' : '密码' }
    )