SparkSQL数据类型

news2024/9/20 13:23:07

支持的数据类型

SparkSQL支持的数据类型如下：

数值类型

ByteType：表示1字节带符号整数（“带符号”意味着它可以表示正数和负数。）。数字的范围是-128到127。
ShortType：表示2字节带符号整数。数字的范围是-32768到32767。
IntegerType：表示4字节带符号整数。数字的范围是-2147483648到2147483647。
LongType：表示8字节有符号整数。数字的范围为-922372036854775808到9223372036854775807。
FloatType：表示4字节单精度浮点数。
DoubleType：表示8字节双精度浮点数。
DecimalType：表示任意精度带符号十进制数。内部由java.math支持。BigDecimal。BigDecimal由一个任意精度的未缩放整数和一个32位整数小数组成。

“带符号”意味着它可以表示正数和负数。
单精度
根据IEEE 754标准，单精度浮点数的32位被划分为三个部分：
符号位（1位）：表示数值的正负号。
指数部分（8位）：表示数值的指数部分，用来表示数值的大小。
尾数部分（23位）：表示数值的小数部分，用来表示数值的精度。
双精度
根据IEEE 754标准，双精度浮点数的64位被划分为三个部分：
符号位（1位）：表示数值的正负号。
指数部分（11位）：表示数值的指数部分，用来表示数值的大小。
尾数部分（52位）：表示数值的小数部分，用来表示数值的精度。
BigDecimal
由于 BigDecimal 的无符号整数值可以非常大（理论上没有上限，受限于内存大小），并且比例也可> 以取任意值，因此 BigDecimal 可以表示任意精度的数值。

字符串类型

StringType：表示字符串值。
VarcharType(length)：这是一种带有长度限制的 StringType 变体。如果输入字符串超过长度限制，则数据写入将失败。注意：这种类型只能在表结构中使用，不能在函数或操作符中使用。
CharType(length)：VarcharType（长度）的一种变体，长度固定。读取CharType（n）类型的列总是返回长度为n的字符串值。Char类型的列比较将把较短的列填充到较长的长度。

字节类型

BinaryType：表示字节序列值。

布尔类型

BooleanType：表示布尔值。

日期时间类型

DateType：表示由年、月和日字段值组成的值，不带时区。
TimestampType：带有本地时区的时间戳（Timestamp_LTZ）。它表示由字段年、月、日、小时、分钟和秒的值组成的值，以及会话本地时区。时间戳值表示绝对时间点。
TimestampNTZType：不带时区的时间戳（Timestamp_NTZ）。它表示由字段年、月、日、小时、分钟和秒的值组成的值。所有操作都是在不考虑任何时区的情况下执行的。
注意：Spark中的TIMESTAMP是用户指定的别名，与TIMESTAMP_LTZ和TIMESTAMP_NTZ变体之一相关联。用户可以通过配置spark.sql.timestampType将默认时间戳类型设置为timestamp_LTZ（默认值）或timestamp_NTZ。

间隔类型

YearMonthIntervalType(startField, endField)：表示由以下字段的连续子集组成的年月间隔：月份，年内的月份[0…11]；年份，在[0…178956970]范围内的年份。
startField 是最左侧的字段，而 endField 是最右侧的字段。startField 和 endField 的有效值分别是 0（MONTH）和 1（YEAR）。
DayTimeIntervalType(startField, endField)：表示由以下字段的连续子集组成的一天时间间隔：
- SECOND，分钟内的秒数，可能还有几分之一秒[0…59.999999]，
- MINUTE，小时内的分钟[0…59]，HOUR，天内的小时[0…23]，DAY，范围[0…106751991]内的天。
  单个区间字段是非负的，但区间本身可以有一个符号，并且是负的。
  startField是该类型的最左侧字段，endField是最右侧字段。startField和endField的有效值为0（天）、1（小时）、2（分钟）、3（秒）

复杂类型

ArrayType(elementType, containsNull)：表示由elementType类型的元素序列组成的值。contains null用于指示ArrayType值中的元素是否可以具有null值。
MapType(keyType, valueType, valueContainsNull)：表示由一组键值对组成的值。键的数据类型由keyType描述，而值的数据类型则由valueType描述。对于MapType值，键不允许具有null值。valueContainsNull用于指示MapType值的值是否可以为空值。
StructType(fields)：用StructFields（字段）序列描述的结构表示值。
- StructField(name, dataType, nullable)：表示StructType中的字段。字段的名称由name表示。字段的数据类型由dataType表示。null用于指示这些字段的值是否可以为null。

类名和别名汇总

在这里插入图片描述

浮点特殊值

Spark SQL以不区分大小写的方式支持几个特殊的浮点值：

Inf/+Inf/Infinity/+Infinity：正无穷大
- FloatType：equivalent to Scala Float.PositiveInfinity。
- DoubleType：equivalent to Scala Double.PositiveInfinity。
-Inf/-Infinity：负无穷
- FloatType: equivalent to Scala Float.NegativeInfinity。
- DoubleType: equivalent to Scala Double.NegativeInfinity。
NaN：非数值
- FloatType: equivalent to Scala Float.NaN。
- DoubleType: equivalent to Scala Double.NaN。

正/负无穷语义

对正无穷大和负无穷大有特殊的处理。它们具有以下语义：

正无穷大乘以任何正值返回正无穷大。
负无穷大乘以任何正值都会返回负无穷大。
正无穷大乘以任何负值都会返回负无穷大。
负无穷大乘以任何负值都会返回正无穷大。
正/负无穷乘以0返回NaN。
正/负无穷大等于自身。
在聚合中，所有正无穷大值都被分组在一起。同样，所有负无穷大值都被分组在一起。
正无穷大和负无穷大在连接键中被视为正常值。
正无穷排序低于NaN，高于任何其他值。
负无穷排序低于任何其他值。

NaN语义

在处理与标准浮点语义不完全匹配的浮点或双精度类型时，对非数字（NaN）有特殊的处理。明确地：

NaN=NaN返回true。
在聚合中，所有NaN值都分组在一起。
NaN在连接键中被视为正常值。
NaN值按升序排列时排在最后，大于任何其他数值。

示例

SELECT double('infinity') AS col;
+--------+
|     col|
+--------+
|Infinity|
+--------+

SELECT float('-inf') AS col;
+---------+
|      col|
+---------+
|-Infinity|
+---------+

SELECT float('NaN') AS col;
+---+
|col|
+---+
|NaN|
+---+

SELECT double('infinity') * 0 AS col;
+---+
|col|
+---+
|NaN|
+---+

SELECT double('-infinity') * (-1234567) AS col;
+--------+
|     col|
+--------+
|Infinity|
+--------+

SELECT double('infinity') < double('NaN') AS col;
+----+
| col|
+----+
|true|
+----+

SELECT double('NaN') = double('NaN') AS col;
+----+
| col|
+----+
|true|
+----+

SELECT double('inf') = double('infinity') AS col;
+----+
| col|
+----+
|true|
+----+

CREATE TABLE test (c1 int, c2 double);
INSERT INTO test VALUES (1, double('infinity'));
INSERT INTO test VALUES (2, double('infinity'));
INSERT INTO test VALUES (3, double('inf'));
INSERT INTO test VALUES (4, double('-inf'));
INSERT INTO test VALUES (5, double('NaN'));
INSERT INTO test VALUES (6, double('NaN'));
INSERT INTO test VALUES (7, double('-infinity'));
SELECT COUNT(*), c2 FROM test GROUP BY c2;
+---------+---------+
| count(1)|       c2|
+---------+---------+
|        2|      NaN|
|        2|-Infinity|
|        3| Infinity|
+---------+---------+