Spark SQL 中DataFrame DSL的使用

在上一篇文章中已经大致说明了DataFrame APi,下面我们具体介绍DataFrame DSL的使用。DataFrame DSL是一种命令式编写Spark SQL的方式，使用的是一种类sql的风格语法。

文章链接：

一、单词统计案例引入

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

object Demo2DSLWordCount {
  def main(args: Array[String]): Unit = {
    /**
     * 在新版本的spark中，如果想要编写spark sql的话，需要使用新的spark入口类：SparkSession
     */
    val sparkSession: SparkSession = SparkSession.builder()
      .master("local")
      .appName("wc spark sql")
      .getOrCreate()

    /**
     * spark sql和spark core的核心数据类型不太一样
     *
     * 1、读取数据构建一个DataFrame,相当于一张表
     */
    val linesDF: DataFrame = sparkSession.read
      .format("csv") //指定读取数据的格式
      .schema("line STRING") //指定列的名和列的类型，多个列之间使用,分割
      .option("sep", "\n") //指定分割符，csv格式读取默认是英文逗号
      .load("spark/data/words.txt") // 指定要读取数据的位置，可以使用相对路径

    /**
     * DSL: 类SQL语法 api  介于代码和纯sql之间的一种api
     *
     * spark在DSL语法api中，将纯sql中的函数都使用了隐式转换变成一个scala中的函数
     * 如果想要在DSL语法中使用这些函数，需要导入隐式转换
     *
     */
    //导入Spark sql中所有的sql隐式转换函数
    import org.apache.spark.sql.functions._
    //导入另一个隐式转换，后面可以直接使用$函数引用字段进行处理
    import sparkSession.implicits._

//    linesDF.select(explode(split($"line","\\|")) as "word")
//      .groupBy($"word")
//      .count().show()

    val resultDF: DataFrame = linesDF.select(explode(split($"line", "\\|")) as "word")
      .groupBy($"word")
      .agg(count($"word") as "counts")

    /**
     * 保存数据
     */
    resultDF
      .repartition(1)
      .write
      .format("csv")
      .option("sep","\t")
      .mode(SaveMode.Overwrite)
      .save("spark/data/sqlout2")

  }

}

注意：show（）可以指定两个参数，第一个参数为展现的条数，不指定默认展示前20条数据，第二个参数默认为false,代表的是如果数据过长展示就会不完全，可以指定为true,使得数据展示完整,比如： show(200,truncate = false)

二、数据源获取

查看官方文档：Data Sources - Spark 3.5.1 Documentation，看到DataFrame支持多种数据源的获取。

1、csv-->json

    val sparkSession: SparkSession = SparkSession.builder()
      .master("local[2]")
      .appName("多种类型数据源读取演示")
      .config("spark.sql.shuffer.partitions", 1) //指定分区数为1，默认分区数是200个
      .getOrCreate()

    //导入spark sql中所有的隐式转换函数
    import org.apache.spark.sql.functions._
    //导入sparkSession下的所有隐式转换函数，后面可以直接使用$函数引用字段
    import sparkSession.implicits._

    /**
     * 读csv格式的文件-->写到json格式文件中
     */
    //1500100967,能映秋,21,女,文科五班
    val studentsDF: DataFrame = sparkSession.read
      .format("csv")
      .schema("id String,name String,age Int,gender String,clazz String")
      .option("sep", ",")
      .load("spark/data/student.csv")

    studentsDF.write
      .format("json")
      .mode(SaveMode.Overwrite)
      .save("spark/data/students_out_json.json")

2、json-->parquet


    val sparkSession: SparkSession = SparkSession.builder()
      .master("local")
      .appName("")
      .config("spark.sql.shuffer.partitions", 1) //指定分区数为1，默认分区数是200个
      .getOrCreate()

    //导入spark sql中所有的隐式转换函数
    //导入sparkSession下的所有隐式转换函数，后面可以直接使用$函数引用字段

    /**
     * 读取json数据格式，因为json数据有键值对，会自动的将健作为列名，值作为列值，不需要手动的设置表结构
     */

    //1500100967,能映秋,21,女,文科五班
    //方式1：
    //    val studentsJsonDF: DataFrame = sparkSession.read
    //      .format("json")
    //      .load("spark/data/students_out_json.json/part-00000-3f086bb2-23d9-4904-9814-3a34b21020ab-c000.json")
    //方式2：实际上也是调用方式1，只是更简洁了
    // def json(paths: String*): DataFrame = format("json").load(paths : _*)
    val studebtsReadDF: DataFrame = sparkSession.read
      .json("spark/data/students_out_json.json/part-00000-3f086bb2-23d9-4904-9814-3a34b21020ab-c000.json")

    studebtsReadDF.write
      .format("parquet")
      .mode(SaveMode.Overwrite)
      .save("spark/data/students_parquet")

3、parquet-->csv

    val sparkSession: SparkSession = SparkSession.builder()
      .master("local")
      .appName("")
      .config("spark.sql.shuffer.partitions", 1) //指定分区数为1，默认分区数是200个
      .getOrCreate()

    //导入Spark sql中所有的sql隐式转换函数
    import org.apache.spark.sql.functions._
    //导入另一个隐式转换，后面可以直接使用$函数引用字段进行处理
    import sparkSession.implicits._


    /**
     * parquet:压缩的比例由信息熵决定，通俗的说就是数据的重复程度决定
     */

    val studebtsReadDF: DataFrame = sparkSession.read
      .format("parquet")
      .load("spark/data/students_parquet/part-00000-8b815a03-97f7-4d71-8b71-4e7e30f60995-c000.snappy.parquet")

    studebtsReadDF.write
      .format("csv")
      .mode(SaveMode.Overwrite)
      .save("spark/data/students_csv")

三、DataFrame DSL API的使用

1、select


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

object Demo1Select {
  def main(args: Array[String]): Unit = {
    val sparkSession: SparkSession = SparkSession.builder()
      .master("local")
      .appName("select函数演示")
      .getOrCreate()

    //导入Spark sql中所有的sql隐式转换函数
    import org.apache.spark.sql.functions._
    //导入另一个隐式转换，后面可以直接使用$函数引用字段进行处理
    import sparkSession.implicits._

    val studentsDF: DataFrame = sparkSession.read
      .format("csv")
      .schema("id String,name String,age String,gender String,clazz String")
      .option("sep", ",")
      .load("spark/data/student.csv")

    /**
     * select函数
     */
    //方式1：只能查询原有字段，不能对字段做出处理，比如加减、起别名之类
    studentsDF.select("id", "name", "age")
    //方式2：弥补了方式1的不足
    studentsDF.selectExpr("id","name","age+1 as new_age")
    //方式3:使用隐式转换函数中的$将字段变为一个对象
    val stuDF: DataFrame = studentsDF.select($"id", $"name", $"age")
        //3.1使用对象对字段进行处理
//    stuDF.select($"id", $"name", $"age",$"age".+(1) as "new_age").show()       //不可使用未变为对象的字段
    stuDF.select($"id", $"name", $"age",$"age" + 1 as "new_age")                 // +是函数，可以等价于该语句
        //3.2可以在select中使用sql函数
    studentsDF.select($"id", $"name", $"age", substring($"id", 0, 2))

    
  }
}

2、where

    /**
     * where函数：过滤数据
     */
    //方式1：直接将sql中的where语句以字符串形式传参
    studentsDF.where("clazz='文科一班' and gender='男'")
    //方式2：使用$列对象形式过滤
    /**
     * 注意在此种方式下：等于和不等于符号与我们平常使用的有所不同
     * 等于：===
     * 不等于：=!=
     */
    studentsDF.where($"clazz" === "文科一班" and $"gender"=!="男").show()

3、groupBy和agg

    /**
     * groupby:分组函数     agg:聚合函数
     * 注意：
     * 1、groupby与agg函数通常都是一起使用
     * 2、分组聚合之后的结果DataFrame中只会包含分组字段与聚合字段
     * 3、分组聚合之后select中无法出现不是分组的字段
     */
    //需求：根据班级分组，求每个班级的人数和平均年龄
    studentsDF.groupBy($"clazz")
      .agg(count($"clazz") as "clazz_number",avg($"age") as "avg_age")
      .show()

4、join

/**
     * 5、join:表关联
     */
    val subjectDF1: DataFrame = sparkSession.read
      .format("csv")
      .option("sep", ",")
      .schema("id String,subject_id String,score Int")
      .load("spark/data/score.csv")

    val subjectDF2: DataFrame = sparkSession.read
      .format("csv")
      .option("sep", ",")
      .schema("sid String,subject_id String,score Int")
      .load("spark/data/score.csv")

    //关联场景1：所关联的字段名字一样
    studentsDF.join(subjectDF1,"id")
    //关联场景2：所关联的字段名字不一样
    studentsDF.join(subjectDF2,$"id"===$"sid","inner")
//    studentsDF.join(subjectDF2,$"id"===$"sid","left").show()

    /**
     * 上面两种关联场景默认inner连接方式（内连接），可以指定参数选择连接方式，比如左连接、右连接、全连接之类
     * * @param joinType Type of join to perform. Default `inner`. Must be one of:
     * *                 `inner`, `cross`, `outer`, `full`, `fullouter`,`full_outer`, `left`,
     * *                 `leftouter`, `left_outer`, `right`, `rightouter`, `right_outer`.
     */

5、开窗

    /**
     * 开窗函数
     * 1、ROW_NUMBER()：为分区中的每一行分配一个唯一的序号。序号是根据ORDER BY子句定义的顺序分配的
     * 2、RANK()和DENSE_RANK()：为分区中的每一行分配一个排名。RANK()在遇到相同值时会产生间隙，而DENSE_RANK()则不会。
     *
     */

    //需求：统计每个班级总分前三的学生
    val stu_scoreDF: DataFrame = studentsDF.join(subjectDF2, $"id" === $"sid")

    //方式1：在select中使用row_number() over Window.partitionBy().orderBy()
    stu_scoreDF.groupBy($"clazz", $"id")
      .agg(sum($"score") as "sum_score")
      .select($"clazz", $"id", $"sum_score", row_number() over Window.partitionBy($"clazz").orderBy($"sum_score".desc) as "score_rank")
      .where($"score_rank" <= 3)

    //方式2：使用withcolumn()函数，会新增一列，但是要预先指定列名
    stu_scoreDF
      .repartition(1)
      .groupBy($"clazz", $"id")
      .agg(sum($"score") as "sum_score")
      .withColumn("score_rank",row_number() over Window.partitionBy($"clazz").orderBy($"sum_score".desc))
      .where($"score_rank" <= 3)
      .show()

注意:

DSL API 不直接对应 SQL 的关键字执行顺序（如 SELECT、FROM、WHERE、GROUP BY 等），但可以按照构建逻辑查询的方式来组织代码，使其与 SQL 查询的逻辑结构相似。

在构建 Spark DataFrame 转换和操作时，常用流程介绍：

选择数据源：使用 spark.read 或从其他 DataFrame 派生。
转换：使用各种转换函数（如 select、filter、map、flatMap、join 等）来修改 DataFrame。
聚合：使用 groupBy 和聚合函数（如 sum、avg、count 等）对数据进行分组和汇总。
排序：使用 orderBy 或 sort 对数据进行排序。
输出：使用 show、collect、write 等函数将结果输出到控制台、收集到驱动程序或写入外部存储。

四、RDD与DataFrame的转换

import org.apache.spark.SparkContext
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, Row, SparkSession}


object RddToDf {
  def main(args: Array[String]): Unit = {
    val sparkSession: SparkSession = SparkSession.builder()
      .appName("Rdd与Df之间的转换")
      .master("local")
      .config("spark.sql.shuffle.partitions", 1)
      .getOrCreate()

    import org.apache.spark.sql.functions._
    import sparkSession.implicits._

    val sparkContext: SparkContext = sparkSession.sparkContext
    val idNameRdd: RDD[(String, String)] = sparkContext.textFile("spark/data/student.csv")
      .map(_.split(","))
      .map {
        case Array(id: String, name: String, _, _, _) => (id, name)
      }

    /**
     * Rdd-->DF
     * 因为在Rdd中不会存储文件的结构（schema）信息，所以要指定字段
     */
    val idNameDF: DataFrame = idNameRdd.toDF("id", "name")
    idNameDF.createOrReplaceTempView("idNameTb")

    sparkSession.sql("select id,name from idNameTb").show()


    /**
     * DF-->Rdd
     */
    val idNameRdd2: RDD[Row] = idNameDF.rdd
    idNameRdd2.foreach(println)
    
  }
}