Spark-Scala语言实战（18）SQL-DataFrame方法

之前的文章中学习了在集群环境下编写我们的spark已经在IDEA中打jar包。想了解的朋友可以查看这篇文章。同时，希望我的文章能帮助到你，如果觉得我的文章写的不错，请留下你宝贵的点赞，谢谢。

Spark-Scala语言实战（17）-CSDN博客文章浏览阅读2.3k次，点赞46次，收藏39次。这篇文章起我会带来两种方式将我们开发环境（IDEA）的代码文件打jar包到我们的集群环境下运行。今天的文章首先来讲我们的本地模式。今天的文章，我会带着大家一起来到Linux集群环境下，学习我们的spark。希望我的文章能帮助到大家，也欢迎大家来我的文章下交流讨论，共同进步。https://blog.csdn.net/qq_49513817/article/details/137929033?spm=1001.2014.3001.5501这篇文章我会带着大家学习Spark SQL中的DataFrame中show()，selectExpr()，select()，filter()/where，groupBy()，sort()6种方法。了解Spark SQL以及DataFrame。

目录

一、结构化数据

Spark SQL

什么是Spark SQL

Spark SQL架构 

DataFrame

什么是DataFrame

二、DataFrame方法 

1.show()

2.selectExpr()

3.select()

4.filter()/where

5.groupBy()

6.sort()

一、结构化数据

Spark SQL

什么是Spark SQL

• Spark SQL 是一个用于处理结构化数据的 Spark 模块。它允许你使用 SQL 语句来查询 DataFrame。
• Spark SQL 提供了 DataFrame 和 DataSet 的 API，这些 API 允许你以编程方式执行 SQL 查询。此外，它还提供了一个 SQL 引擎，允许你直接在 Spark 集群上执行 SQL 语句。
• Spark SQL 支持多种数据源，包括 Hive、JSON、Parquet、CSV 等。它还支持多种外部数据库和存储系统，如 JDBC、ODBC 和 Apache Arrow。
• Spark SQL 的主要目标是使数据处理更加简单、直观和高效。通过使用 SQL 和 DataFrame API，你可以轻松地执行复杂的数据转换和查询操作，而无需编写大量的底层代码。

Spark SQL架构 

 spark sql架构图

Spark SQL架构与Hive架构相比，把底层的MapReduce执行引擎更改为Spark，还修改了Catalyst优化器，Spark SQL快速的计算效率得益于Catalyst优化器。从HiveQL被解析成语法抽象树起，执行计划生成和优化的工作全部交给Spark SQL的Catalyst优化器进行负责和管理。 

DataFrame

什么是DataFrame

• DataFrame 是一个分布式数据集，它有一个不可变的、不可空的 schema（即列和类型）。这意味着 DataFrame 知道它的每一列都包含什么类型的数据。
• DataFrame 可以从各种来源创建，如结构化文件（如 Parquet、JSON）、Hive 表、外部数据库或现有的 RDD（通过执行转换操作）。
• DataFrame API 提供了丰富的函数来操作数据，包括选择、过滤、分组、排序等。这些操作通常使用 DataFrame 的 DSL（领域特定语言）风格的方法来实现，这使得代码更加简洁和易于理解。
• DataFrame 底层由 RDD 支持，但 RDD 是低级的、不可读的，并且没有 schema。相比之下，DataFrame 提供了更高级别的抽象，使得处理结构化数据更加容易。

二、DataFrame方法 

1.show()

 show()方法用来查看我们DataFrame数据，show方法默认只显示我们数据中前20条记录，且最多显示20个字符

示例代码，显示内容: 

import org.apache.spark.sql.SparkSession
object DataFrameExample {
  def main(args: Array[String]): Unit = {
    // 创建一个SparkSession
    val spark = SparkSession.builder()
      .appName("Peng")
      .master("local[*]") // 使用所有可用的本地线程
      .getOrCreate()
    import spark.implicits._
    // 创建一个简单的Seq来作为数据源
    val data = Seq(("Alice", 1), ("Bob", 2), ("Charlie", 3),("Alice", 1), ("Bob", 2), ("Charlie", 3),("Alice", 1), ("Bob", 2), ("Charlie", 3),("Alice", 1), ("Bob", 2), ("Charlie", 3),("Alice", 1), ("Bob", 2), ("Charlie", 3),("Alice", 1), ("Bob", 2), ("Charlie", 3),("Alice", 1), ("Bob", 2), ("Charlie", 3),("Alice", 1), ("Bob", 2), ("Charlie", 3),("Alice", 1), ("Bob", 2), ("Charlie", 3),("Alice", 1), ("Bob", 2), ("Charlie", 3))
 
    // 将Seq转换为DataFrame
    case class Person(name: String, age: Int)
    val p = data.toDF("name", "age") // 或者使用data.map(Person.tupled).toDF()
 
    // 显示DataFrame的内容
    p.show()
 
  }
}

可以看到我们的数据集超过了20条，那么使用我们的show（）方法不添加参数肯定也只会输出20条。

2.selectExpr()

selectExpr() 方法在 Apache Spark 的 DataFrame API 中用于选择列，并且可以支持 SQL 表达式，这样我们就可以对字段进行特殊处理。 

示例代码，使用 selectExpr() 方法将年龄+1:

import org.apache.spark.sql.SparkSession
object p1 {
  def main(args: Array[String]): Unit = {
    val spark = SparkSession.builder()
      .appName("PENG")
      .master("local[*]")
      .getOrCreate()
    import spark.implicits._ // 导入隐式转换和DSL
    // 创建一个简单的Seq来作为数据源  
    val data = Seq(("Alice", 28), ("Bob", 22), ("Charlie", 30), ("David", 25))
    // 将Seq转换为DataFrame  
    val peopleDF = data.toDF("name", "age")
    // 使用selectExpr()方法选择列并进行一些计算  
    val selectedDF = peopleDF.selectExpr(
      "name", // 选择name列  
      "age",  // 选择age列  
      "(age + 1) as new_age" // 使用SQL表达式计算新的列new_age  
    )
    // 显示选择后的DataFrame的内容  
    selectedDF.show()
 
  }
}

3.select()

 select() 方法在 Apache Spark 的 DataFrame API 中用于选择 DataFrame 中的列，获取相对应的值。

示例代码，对列重命名： 

import org.apache.spark.sql.SparkSession
 
object DataFrameSelectExample {
  def main(args: Array[String]): Unit = {
    // 创建一个SparkSession
    val spark = SparkSession.builder()
      .appName("Peng")
      .master("local[*]") // 使用所有可用的本地线程
      .getOrCreate()
    import spark.implicits._ // 导入隐式转换和DSL
    // 创建一个简单的Seq来作为数据源
    val data = Seq(("Alice", 28), ("Bob", 22), ("Charlie", 30), ("David", 25))
    // 将Seq转换为DataFrame
    val peopleDF = data.toDF("name", "age")
    // 使用select()方法选择列
    val selectedDF = peopleDF.select($"name", $"age")
    // 显示选择后的DataFrame的内容
    selectedDF.show()
    // 对列进行重命名，直接使用$"columnName".as("newName")
    val renamedDF = peopleDF.select($"name", $"age".as("yearsOld"))
    // 显示重命名后的DataFrame的内容
    renamedDF.show()
  }
}

4.filter()/where

 使用filter或where方法可以查询数据中符合条件的所有字段信息。

示例代码，实现过滤年龄大小：

import org.apache.spark.sql.SparkSession
object p1 {
  def main(args: Array[String]): Unit = {
    val spark = SparkSession.builder()
      .appName("PENG")
      .master("local[*]")
      .getOrCreate()
    import spark.implicits._ // 导入隐式转换和DSL
 
    // 创建一个简单的Seq来作为数据源  
    val data = Seq(("Alice", 28), ("Bob", 22), ("Charlie", 30), ("David", 25))
    // 将Seq转换为DataFrame
    val peopleDF = data.toDF("name", "age")
    // 使用filter()方法过滤年龄大于25的人
    val filteredDF1 = peopleDF.filter($"age" > 25)
    // 使用where()方法过滤年龄小于30的人
    val filteredDF2 = peopleDF.where($"age" < 30)
    filteredDF1.show()
    filteredDF2.show()
  }
}

5.groupBy()

groupBy() 方法接受一个或多个列名、列表达式或列引用作为参数，并返回一个分组后的对象（在 Spark SQL 中是 RelationalGroupedDataset），该对象表示按指定列或表达式分组的数据。 

下面是使用groupBy实现简单分组的示例代码： 

import org.apache.spark.sql.SparkSession
object p1 {
  def main(args: Array[String]): Unit = {
    val spark = SparkSession.builder()
      .appName("PENG")
      .master("local[*]")
      .getOrCreate()
 
    import spark.implicits._
 
    // 创建一个简单的 DataFrame
    val data = Seq(("A", 1), ("B", 2), ("A", 3), ("B", 1), ("C", 2))
    val df = data.toDF("category", "value")
 
    // 使用 groupBy 对 category 列进行分组，并计算每个分组中的行数
    val p = df.groupBy("category").count()
    p.show()
  }
}

6.sort()

  sort() 方法通常用于对数据进行排序。

以下是对年龄排序的示例代码： 

import org.apache.spark.sql.SparkSession
object p1 {
  def main(args: Array[String]): Unit = {
    val spark = SparkSession.builder()
      .appName("PENG")
      .master("local[*]")
      .getOrCreate()
    import spark.implicits._ // 导入隐式转换和DSL
    // 创建一个简单的Seq来作为数据源
    val data = Seq(("Alice", 28), ("Bob", 22), ("Charlie", 30), ("David", 25))
    // 将Seq转换为DataFrame
    val peopleDF = data.toDF("name", "age")
    // 对DataFrame按年龄进行排序
    val sortedDF = peopleDF.sort("age") // 默认为升序
    // 显示排序后的DataFrame的内容
    sortedDF.show()
    // 如果你想要降序排序，可以添加一个降序参数
    val sortedDescDF = peopleDF.sort($"age".desc)
    // 显示降序排序后的DataFrame的内容
    sortedDescDF.show()
  }
}