当前位置:   article > 正文

SparkSQL(4)

SparkSQL(4)

第五章 SparkSQL

1 SparkSQL介绍

SparkSQL 是Spark的一个模块, 用于处理海量结构化数据

第一、针对结构化数据处理,属于Spark框架一个部分
第二、抽象数据结构:DataFrame=RDD+SCHAME(表结构:列名 列类型)
第三、分布式SQL引擎,类似Hive框架

SparkSQL优点:

1、执行速度快,spark可以和hive集成,可以替换掉底层MR,直接使用spark引擎执行SQL
2、spark中可以写sql也可以写代码,也可以混合写
3、目前主流开发方式和技术

Spark Hive 区别:

不同
1、计算引擎不同,sparkSQL Hive是MR
2、sparkSQL除了写sql还可以写代码,HIve只能写sql
3、sparkSQL基于内存的计算引擎,Hive是基于MR,所以磁盘计算引擎
4、sparkSQL没有元数据服务,Hive由元数据服务
相同点
1、都可以写SQL
2、都可以精选分布式计算
3、都可以运行在YARN集群上

SparkSQL常见数据对比

SparkSQL:DataFrame,二维表,分布式数据集
pandas:DataFrame,二维表,是单机数据集合
SparkCore:RDD,没有标准的数据结构,可以存储任何数据,分布式数据集(可以分区)

SparkSQL中Dataframe的特点

1、融合性:SQL可以无缝集成在代码中,随时用SQL处理数据
2、统一数据访问:一套标准API可读写不同数据源
3、Hive兼容:可以使用SparkSQL直接计算并生成Hive数据表
4、标准化连接:支持标准化JDBC\ODBC连接,方便和各种数据库进行数据交互.

创建sparkSession

import os
from pyspark.sql import SparkSession
# 配置环境变量
os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/envs/pyspark_env/bin/python'
os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/envs/pyspark_env/bin/python'
os.environ['JAVA_HOME'] = '/export/server/jdk1.8.0_241'
if __name__ == '__main__':
    # 1 创建sparksql
    spark=SparkSession\
        .builder.master('local[*]')\
        .appName('SoarkSession')\
        .getOrCreate()
    # sc=spark.sparkContext
    # sc.stop()
    spark.stop()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16

2 DataFrame的构建方式

dataframe是二维表结构,有行列

表结构的元数据 StructType
字段:StructField(列名 列类型 约束)
列:Column对象
行:Row对象,包含于rdd和字段信息
dataframe有分区,不可变

2.1 通过RDD创建DataFrame

if __name__ == '__main__':
    # 1 创建sparksql
    spark = SparkSession.builder.master('local[*]') \
        .appName('SoarkSession').getOrCreate()
    sc:SparkContext=spark.sparkContext
    # 2.创建RDD
    init_rdd=sc.parallelize(['张三 18','李四 20'])
    map_rdd=init_rdd.map(lambda line:(line.split()[0],int(line.split()[1])))
    # print(map_rdd.collect())  #[('张三', '18'), ('李四', '20')]
    # 3.定义表结构
    # 方法一
    schema1=StructType()\
        .add('name',StringType(),True)\
        .add('age',IntegerType(),True)
    # 方法二
    schema2=StructType([StructField('name',StringType(),True),
                       StringType('age',IntegerType(),True)])
    # 方法三
    schema3="name:string,age:int"
    # 方法四
    schema4=['name','age']
    # 方法五
    df=spark.createDataFrame(data=map_rdd,schema=schema1)
    df.printSchema()
    df.show()
    # 创建dataframe方法二
    # map_rdd.toDF(schema=['name', 'age'])
    # spark.stop()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28

2.2 内部初始化数据得到DataFrame

场景:【一般用于测试】
createDataFrame():
data:给定初始化的数据
schema:设置元数据信息,结构 字段名称:字段类型,字段名称:字段类型

if __name__ == '__main__':
    # 1 创建sparksql
    spark = SparkSession.builder.master('local[*]').appName('创建df').getOrCreate()
    # 2.创建df: 内部初始化数据得到DataFrame;data:表数据;schema:列名
    df=spark.createDataFrame(data=[('张三',10,90),('李四',25,92),('王五',18,100),('赵六',18,95)],schema='name:string,age:int,score:int')
    # 查看数据
    df.show()
    # 打印Schema元数据信息
    df.printSchema()
    print(df)
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10

运行结果:
在这里插入图片描述

2.3 读取外部文件

统一API格式:

sparksession.read
	.format('text|csv|json|parquet|orc|avro|jdbc|.....') # 读取外部文件的方式
	.option('k','v') # 选项  可以设置相关的参数 (可选)
	.schema(StructType | String) #  设置表的结构信息/Schema元数据信息
	.load('加载数据路径') # 读取外部文件的路径, 支持 HDFS 也支持本地
  • 1
  • 2
  • 3
  • 4
  • 5

1 Text方式读取

① 会将数据内容读取成一列,并且这个列名叫value,数据类型是string
② 我们只能修改默认字段的名称,也就是修改value的名称,但是不能修改字段的数据类型

assertion failed: Text data source only produces a single data column named "value"由于Text方式只提供了一个列,列名叫value,schema只能改这一列的名字,不能定义多个字段
解决办法:去掉schema中多个字段的定义
在这里插入图片描述

if __name__ == '__main__':
    # 1 创建sparksql
    spark = SparkSession.builder.master('local[*]').appName('text_read_file_dataframe').getOrCreate()
    # 数据输入。Text方式
    df=spark.read.format('text').schema('line string').load('file:///root/data/stu.txt')
    # 3.查看df: 打印元数据信息
    df.printSchema()    
    # 打印数据内容
    df.show()
    # 处理DF
    df.rdd.map(lambda r:r.line.split()).toDF(schema='id string,name string,address string,sex string,age string').show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11

2 CSV方式读取
CSV相关的option参数说明:
header:指定第一行作为字段名
sep:指定数据间的分隔符
inferSchema:自动推断数据的类型,但可能不太精确
encoding:指定文件的编码方式,默认值UTF-8

if __name__ == '__main__':
    print("读取外部文件:Csv方式读取")
    # 1 创建sparksql
    spark = SparkSession.builder\
        .master('local[*]') \
        .appName('csv_read_file_dataframe') \
        .getOrCreate()
    # 读取外部文件:CSV方式读取:  # 方法一:
    # df = spark.read.format('csv')\
    #     .option('header',True).option('sep',' ')\
    #     .option('inforSchema',True).option('encoding','utf-8') \
    #     .load('file:///root/data/stu.txt')
    # # 方法二:
    # df = spark.read.format('csv')\
    #     .schema('id int,name string,address string,sex string,age int') \
    #     .option('header', True).option('sep', ' ') \
    #     .option('encoding', 'utf-8') \
    #     .load('file:///root/data/stu.txt')
    # 方法三:简洁API
    df:DataFrame = spark.read.csv('file:///root/data/stu.txt',
                        sep=' ',inferSchema=True,
                        header=True,encoding='utf-8',
                        schema='id int,name string,address string,sex string,age int')
    # 3.查看df   打印元数据信息
    df.printSchema()
    # 打印数据内容
    df.show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27

3 JSON方式读取

1、如果没有指定schema,或者没有指定inferSchema参数,会进行数据类型的自动推断,但是可能数据类型不太精确
2、json默认会自动解析数据内容,识别出字段名称和数据内容
3、如果没有该字段,那么值就是使用null进行填充
4、schema中指定的字段名称,必须要和json中key保持一致,否则会识别失败,使用null数据进行替换

if __name__ == '__main__':
    print("读取外部文件:Json方式")
    # 1 创建sparksql
    spark = SparkSession.builder.master('local[*]').appName('SoarkSession').getOrCreate()
    # 读取外部文件:JSON方式    # 方法一
    df = spark.read.format('json').schema('id int,name string,age int,address string')\
        .option('inforSchema',True).option('encoding','utf-8').load('file:///root/data/json.txt')
    # 方法二 简洁API
    df:DataFrame = spark.read.json('file:///root/data/json.txt',encoding='utf-8',
                                   schema='id int,name string,age int,address string')
    # 3.查看df   # 打印元数据信息
    df.printSchema()
    # 打印数据内容
    df.show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14

4 读取文件的简洁API
以上所有的外部读取方式,都有简单的写法。spark内置了一些常用的读取方案的简写
格式:spark.read.读取方式(),eg:

	df = spark.read.csv(
   		path='file:///root/data/stu.txt',
        header=True,
        sep=' ',
        inferSchema=True,
        encoding='utf-8',
    )
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7

3 DataFrame的相关API

提供了两种方案:SQL方式DSL方式
SQL方式:SQL语句操作DataFrame
DSL方式(Domain Specified Language):特定领域语言,其实就是使用特定的API来操作DataFrame

从代码开发角度:可能大部分喜欢使用SQL方式
从程序优化的角度:推荐使用DSL方式,方便Spark对代码进行优化

3.1 SQL相关的API

视图介绍
创建视图:create view hz_view as select * from people where address='杭州'
查询视图:select * from hz_view
视图的主要作用:简化代码
创建一个视图:
df.createTempView('视图名称'):创建一个临时的视图/表。调用的时候,直接使用视图名称即可
df.createOrReplaceTempView('视图名称'):创建一个临时的视图/表。如果视图/表已经存在,就替换掉。调用的时候,直接使用视图名称即可
df.createGlobalTempView('视图名称'):创建一个全局的临时视图/表。调用的时候,需要使用global_temp.视图名称

执行SQL语句:
spark.sql(‘书写SQL’)
eg:

    df.createTempView('stu')
    spark.sql('select * from stu where id=4').show()
    df.where('id=5').show()
  • 1
  • 2
  • 3

3.2 DSL相关的API

show():用于展示DF中数据, 默认仅展示前20行
参数1:设置默认展示多少行 默认为20
参数2:是否为截断列, 默认仅展示前20个字符数据, 如果过长, 不展示(一般不设置)
eg:

	df.show()
    df.show(truncate=True)
  • 1
  • 2

结果:

+------+---+-----+---+
|  name|age|score|sex|
+------+---+-----+---+
|张三三| 10|   90||
|  李四| 25|   92||
|王五五| 18|  100||
|  赵六| 20|   95||
+------+---+-----+---+
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8

printSchema():用于打印当前这个DF的表结构信息
eg:

 df.printSchema()
  • 1

结果:

root
 |-- name: string (nullable = true)
 |-- age: integer (nullable = true)
 |-- score: integer (nullable = true)
 |-- sex: string (nullable = true)
  • 1
  • 2
  • 3
  • 4
  • 5

select():类似于SQL中select, SQL中select后面可以写什么, 这样同样也一样

# 只输出name与age两列
    df.select(['name','age']).show()
  • 1
  • 2

结果如下:

+------+---+
|  name|age|
+------+---+
|张三三| 10|
|  李四| 25|
|王五五| 18|
|  赵六| 20|
+------+---+
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8

filter()where():用于对数据进行过滤操作, 一般在spark SQL中主要使用where

    # # 以下方法都可以输出
    df.filter(df.age>18).show()
    df.filter('age>18').show()
    df.where(df.age>18).show()
    df.where('age>18').show()
  • 1
  • 2
  • 3
  • 4
  • 5

运行结果如下:

+----+---+-----+---+
|name|age|score|sex|
+----+---+-----+---+
|李四| 25|   92||
|赵六| 20|   95||
+----+---+-----+---+
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6

groupBy():用于执行分组操作

agg
df.groupby('gender').agg({'age':'min', 'score':'max'})
df1.select(df1['min(age)'].alias('min_age'))

# 分组聚合:直接进行聚合
    print(df.groupBy('sex').avg().collect())
    df1:DataFrame=df.groupBy('sex').agg({'age': "max", 'score': "min"})
    df2:DataFrame=df.groupby('sex').agg(avg('age').alias('avg_age'), F.max('score').alias('max_score'))
    print("------df1------")
    df1.select(df1["min(score)"].alias('min_score'),df1["max(age)"].alias('max_age'),df1.sex).show()
    print("------df2------")
    df2.show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8

orderBy():用于执行排序操作

    df.orderBy(df.age.desc()).show()
  • 1

为了能够支持在编写Spark SQL的DSL时候,在DSL中使用SQL函数,专门提供一个SQL的函数库。直接加载使用即可

导入这个函数库: import pyspark.sql.functions as F
通过F调用对应的函数即可。SparkSQL中所支持的函数,都可以通过以下地址查询到:
https://spark.apache.org/docs/3.1.2/api/sql/index.html

3.3 清洗相关的API

if __name__ == '__main__':
    # 1.创建sparksql
    spark = SparkSession \
        .builder.master('local[*]') \
        .appName('SoarkSession') \
        .getOrCreate()
    # 2.加载数据
    df:DataFrame=spark.read.format('csv')\
        .schema('id int,name string,age int,address string')\
        .option('sep',',')\
        .option('header',True)\
        .load('file:///root/data/clear_data.csv')   
    # 清洗API
    # 3.去重
    # df.dropDuplicates().show()
    # df.dropDuplicates(subset=['name']).show()
    # # 4删除缺失值所在的行
    # df.dropna().show()                                    # 删除所有缺失值所在的行
    # df.dropna(subset=['id','name']).show()                # 删除id,name两列有缺失值的行
    # df.dropna(subset=['id','name'],how='all').show()      # 删除id,name两列同时有缺失值的行
    # df.dropna(subset=['id','name','age'],thresh=2).show() # 删除id,name,age有两个以上缺失值的行
    # # 5.填充缺失值,对所有的缺失值都填充统一的默认值
    # df.fillna({'id': 99, 'name': '匿名', 'age': 100, 'address': '杭州'}).show()
    # 查看元数据信息
    df.printSchema()
    # 查看数据
    df.show()
    # 释放资源
    spark.stop()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29

4 Shuffle分区设置

​ Spark SQL底层实际也会被翻译成Spark RDD的代码,所以Spark SQL也会Shuffle过程。Shuffle之后,分区数量默认是200个。有的时候,数据太少,200个分区太大;有的时候,数据太多,导致200个分区不够用。针对这个默认分区数不合适的问题,提供spark.sql.shuffle.partitions的参数,用来设置Shuffle分区数

方案一(不推荐): 直接修改spark的配置文件spark-defaults.conf。全局设置,默认值为200。设置为: spark.sql.shuffle.partitions 20

方案二(比较常用,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。优先级也是最高的
sparkSession.conf.set('spark.sql.shuffle.partitions',20)

5 Spark SQL如何进行数据写出操作

if __name__ == '__main__':
    # 1 创建sparksql
    spark = SparkSession \
        .builder.master('local[*]') \
        .appName('write_mysql_dataframe') \
        .getOrCreate()
    sc: SparkSession = spark.sparkContext
    # 2.读取文件中的数据生成dataframe
    df: DataFrame = spark.read.format('csv') \
        .schema('id int,name string,address string,sex string,age int') \
        .option('sep', ' ').load('file:///root/data/stu.txt')
    df.show()
    df.printSchema()
    # 把数据写出到csv文件中
    df.write \
        .format('csv') \
        .option('header', 'True') \
        .option('sep', ' ') \
        .save(path='hdfs://node1:8020/save/file_output_stu.txt', mode='overwrite')
    # 把数据写出到mysql中
    df.write.jdbc(
        url='jdbc:mysql://node1:3306/dbspark?useUnicode=true&characterEncoding=utf8',
        table='stu',
        mode='append',
        properties={"user": "root", "password": "123456"})
    # 释放资源
    spark.stop()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27

WordCount案例

准备工作:向HDFS上传一个words.txt的文件,上传到hdfs的 /input

# 快捷键: main + 回车
if __name__ == '__main__':
    # 1 创建sparksql
    spark = SparkSession \
        .builder.master('local[*]') \
        .appName('SoarkSession') \
        .getOrCreate()
    # 读取文件
    df: DataFrame = spark.read.format('text').option('sep', ' ').load('file:///root/data/word.txt')
    df.show()
    # DSL方式: 方式一
    df.select(F.explode(F.split('value',' ')).alias('word')
    ).groupby('word').count().withColumnRenamed('count','cnt').show()
    # DSL方式二
    # agg中可以写各种聚合操作。多个聚合操作之间,使用逗号分隔
    df.select(
        F.explode(F.split('value',' ')).alias('word')
    ).groupby('word').agg(F.count('word').alias('cnt')).show()
    # DSL方式三
    df.withColumn('word',F.explode(F.split(df['value'],' ')))\
        .groupby('word').agg(F.count('word').alias('cnt')).show()
    # # sql方式1
    df.createTempView('tb_words') 		# 创建临时视图
    spark.sql("""
        select word,count(*) from (
        select explode(split(value,' ')) as word from tb_words
        ) words
        group by word
    """).show()
    # sql方式2
    spark.sql("""
        select word,count(*) from tb_words
        lateral view explode(split(value,'')) t as word
        group by word
        """).show()
    # 5、释放资源
    spark.stop()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37

6 Spark SQL函数定义

SQL函数,主要分为以下三大类:

UDF函数:用户自定义函数
特点:一对一,也就是输入一个值返回一个值
例如:split() substr()
UDAF函数:用户自定义聚合函数
特点:多对一,也就是输入多个值返回一个值
例如:sum() avg() count()
UDTF函数:用户自定义表数据生成函数
特点:一对多,也就是输入一个值返回多个值
例如:explode()

Spark SQL中的函数,基本就是属于如上三类中的某一类

6.1 Spark原生自定义UDF函数

数据准备:

if __name__ == '__main__':
    # 1 创建sparksql
    spark = SparkSession \
        .builder.master('local[*]') \
        .appName('SoarkSession') \
        .getOrCreate()
	# 定义数据
    df=spark.createDataFrame(
        data=[('张三',10,'北京'),('李四',25,'北京'),('王五',18,'北京'),
              ('赵六',18,'北京')],
        schema='name:string,age:int,address:string')
	# 创建临时视图
    df.createTempView('stu')
    # 定义方法
    def add_edu(s):
        return s+'_edu'   
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16

自定义函数流程:
第一步: 定义自己的Python函数,实现代码逻辑
第二步: 是将自己的Python函数注册进SparkSQL中,后续就可以在SQL或DSL
方式一(推荐使用):udf对象 = sparksession.udf.register(参数1,参数2,参数3)

参数1:在sql中使用的名称,需要遵循Python的命名风格
参数2:也就是第一步定义的Python函数(也可以是F.udf F.pandas_udf装饰的函数/对象)
可以是python的原生的函数
也可以是通过F.udf进行封装的udf函数
参数3:自定义函数的返回值数据类型,是SparkSQL中的数据类型
udf对象:返回值对象,是一个UDF对象,可以用于DSL中
方式一定义的UDF函数,可以用在DSL和SQL中

    # 注册为spark sql函数
    dsl_add_edu=spark.udf.register('sql_add_edu',add_edu,StringType())
    # ① SQL中调用spark sql函数
    spark.sql("""
        select name,age,address,
        sql_add_edu(name),
        sql_add_edu(address)
        from stu
    """).show()
    # ② DSL中使用
    df.select('name','age','address',dsl_add_edu('name'),dsl_add_edu('address')).show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11

方式二:udf对象 = F.udf(参数1,参数2)

参数1:也就是第一步定义的Python函数
参数2:UDF的返回值数据类型,是SparkSQL中的数据类型
udf对象:返回值对象,是一个UDF对象,可以用于DSL中
(方式二定义的UDF函数,只能用在DSL中

    udf_add_edu2=F.udf(add_edu,StringType())
    # 调用方法二,DSL中使用
    df.select('name','age','address',udf_add_edu2('name'),udf_add_edu2('address')).show()
  • 1
  • 2
  • 3

方式三:@F.udf(returnType=返回值数据类型),放在第一步自定义的Python函数上面。叫做语法糖方式(方式三定义的UDF函数,只能用在DSL中

 # 定义语法糖
    @F.udf()
    def add3(s):
        return s + '_edu3'
    # 调用方法三,DSL中使用   
    df.select('name','age','address',
        add3('name'),
        add3('address')
    ).show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9

第三步: 在DSL或SQL中使用自定义的UDF函数
eg:自定义UDF函数,让其返回值类型为复杂类型: 字典 列表 元组

if __name__ == '__main__':
    # 1 创建sparksql
    spark = SparkSession \
        .builder.master('local[*]') \
        .appName('SoarkSession') \
        .getOrCreate()
    df=spark.createDataFrame(
        data=[(1, '张三 杭州'), (2, '李四 北京'), (3, '王二麻子 上海')],
        schema='id:int,name_address:string'
    )
    # 创建临时试图
    df.createTempView('stu')
    # 定义函数
    def my_split(name_address):
        l=name_address.split(' ')
        return {'name':l[0],'address':l[1]}
    # 第二步:将Python函数注册成Spark SQL函数
    # 方式一
    schema=StructType().add('name',StringType()).add('address',StringType())
    # 注册为spark sql函数
    dsl_my_split = spark.udf.register('sql_my_split', my_split, schema)
    # 第三步:调用
    # SQL方式
    sql_df=spark.sql("""
        select id,name_address,
            sql_my_split(name_address)['name'] as name,
            sql_my_split(name_address)['address'] as address,
            sql_my_split(name_address) as na
        from stu
    """).show()
    # DSL方式
    df.select('id','name_address',
        dsl_my_split('name_address').alias('na'),
        dsl_my_split('name_address')['name'].alias('name'),
        dsl_my_split('name_address')['address'].alias('address')
    ).show()
    # 释放资源
    spark.stop()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38

pandas中UDF的定义:
第一步:自定义Python函数
第二步:将定义的Python函数注册成Spark SQL中的函数

方式一udf对象 = F.pandas_udf(参数1,参数2)
参数1:自己定义的Python函数
参数2:函数返回的数据类型,是SparkSQL中的数据类型
udf对象:返回值类型,是一个UDF对象
可以在DSL中使用
方式二:语法糖形式,使用@F.pandas_udf(returnType=返回值数据类型)
可以在DSL中使用
方式三sparksession.udf.register(参数1,参数2)
参数1:后面在SQL要调用的UDF函数名称,字符串数据类型
参数2:通过F.pandas_udf装饰之后的对象
可以在SQL中使用

第三步:在SQL/DSL中调用

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/IT小白/article/detail/776504
推荐阅读
相关标签
  

闽ICP备14008679号