Apache Spark 2.0中 DataFrames 和 SQL


Spark 2.0开发的一个动机是让它可以触及更广泛的受众,特别是缺乏编程技能但可能非常熟悉SQL的数据分析师或业务分析师。因此,Spark 2.0现在比以往更易使用。在这部分,我将介绍如何使用Apache Spark 2.0。并将重点关注DataFrames作为新Dataset API的无类型版本。

到Spark 1.3,弹性分布式数据集(Resilient Distributed Dataset,RDD)一直是Spark中的主要抽象。RDD API是在Scala集合框架之后建模的,因此间接提供了Hadoop Map / Reduce熟悉的编程原语以及函数式编程(Map、Filter、Reduce)的常用编程原语。虽然RDD API比Map / Reduce范例更具表达性,但表达复杂查询仍然很繁琐,特别是对于来自典型数据分析背景的用户,他们可能熟悉SQL,或来自R/Python编程语言的数据框架。

Spark 1.3引入了DataFrames作为RDD顶部的一个新抽象。DataFrame是具有命名列的行集合,在R和Python相应包之后建模。

Spark 1.6看到了Dataset类作为DataFrame的类型化版本而引入。在Spark 2.0中,DataFrames实际上是Datasets的特殊版本,我们有type DataFrame = Dataset [Row],因此DataFrame和Dataset API是统一的。

表面上,DataFrame就像SQL表。Spark 2.0将这种关系提升到一个新水平:我们可以使用SQL来修改和查询DataSets和DataFrames。通过限制表达数量,有助于更好地优化。数据集也与Catalyst优化器良好集成,大大提高了Spark代码的执行速度。因此,新的开发应该利用DataFrames。

在本文中,我将重点介绍Spark 2.0中DataFrames的基本用法。我将尝试强调Dataset API和SQL间的相似性,以及如何使用SQL和Dataset API互换地查询数据。借由整个代码生成和Catalyst优化器,两个版本将编译相同高效的代码。

代码示例以Scala编程语言给出。我认为这样的代码最清晰,因为Spark本身就是用Scala编写的。

SparkSession

SparkSession类替换了Apache Spark 2.0中的SparkContext和SQLContext,并为Spark集群提供了唯一的入口点。

val spark = SparkSession
.builder()
.appName(“SparkTwoExample”)
.getOrCreate()

为了向后兼容,SparkSession对象包含SparkContext和SQLContext对象,见下文。当我们使用交互式Spark shell时,为我们创建一个名为spark的SparkSession对象。

创建DataFrames

DataFrame是具有命名列的表。最简单的DataFrame是使用SparkSession的range方法来创建:

scala> val numbers = spark.range(1,50,10)
numbers:org.apache.spark.sql.Dataset [Long] = [id:bigint]

使用show给我们一个DataFrame的表格表示,可以使用describe来获得数值属性概述。describe返回一个DataFrame:

scala> numbers.show()
 id
---
  1
 11
 21
 31
 41

scala> numbers.describe().show()
summary|                        id
-------+--------------------------
  count|                         5
   mean|                      21.0
 stddev|        15.811388300841896
    min|                         1
    max|                        41

观察到 Spark 为数据帧中唯一的列选择了名称 id。 对于更有趣的示例,请考虑以下数据集:

val customerData = List(
    ("Alex", "浙江", 39, 230.00),
    ("Bob", "北京", 18, 170.00),
    ("Chris", "江苏", 45, 529.95), 
    ("Dave", "北京", 25, 99.99), 
    ("Ellie", "浙江", 23, 1299.95), 
    ("Fred", "北京", 21, 1099.00)
)
val customerDF = spark.createDataFrame(customerData)

在这种情况下,customerDF对象将有名为_1、_2、_3、_4的列,它们以某种方式违反了命名列的目的。可以通过重命名列来恢复:

val customerDF = spark.createDataFrame(customerData)
    .withColumnRenamed("_1", "customer").
    .withColumnRenamed("_2", "province")
    .withColumnRenamed("_3", "age")
    .withColumnRenamed("_4", "total")

使用printSchema和describe提供以下输出:

scala> customerDF.printSchema
root
 |-- customer: string (nullable = true)
 |-- province: string (nullable = true)
 |-- age: integer (nullable = false)
 |-- total: double (nullable = false)

scala> customerDF.describe().show
summary|             age|                total
-------+----------------+---------------------
  count|               6|                    6
   mean|            28.5|    571.4816666666667
   stev| 10.876580344942981| 512.0094204374238
    min|              18|                99.99
    max|              45|              1299.95

一般来说我们会从文件加载数据。SparkSession类为提供了以下方法:

val customerDFFromJSON = spark.read.json("customer.json")

val customerDF = spark.read
    .option("header", "true")
    .option("inferSchema", "true").csv("customer.csv")

在这里我们让Spark从CSV文件的第一行提取头信息(通过设置header选项为true),并使用数字类型(age和total)将数字列转换为相应的数据类型 inferSchema选项。

其他可能的数据格式包括parquet文件和通过JDBC连接读取数据的可能性。

基本数据操作

我们现在将访问DataFrame中数据的基本功能,并将其与SQL进行比较。

沿袭,操作,动作和整个阶段的代码生成

相同的谱系概念,转换操作和行动操作之间的区别适用于Dataset和RDD。我们下面讨论的大多数DataFrame操作都会产生一个新的DataFrame,但实际上不执行任何计算。要触发计算,必须调用行动操作之一,例如show(将DataFrame的第一行作为表打印),collect(返回一个Row对象的Array),count(返回DataFrame中的行数),foreach(对每一行应用一个函数)。这是惰性求值(lazy evaluation)的常见概念。

下面Dataset类的所有方法实际上依赖于所有数据集的有向非循环图(Directed Acyclic Graph,DAG),从现有数据集中创建一个新的“数据集”。这被称为数据集的沿袭。仅使用调用操作时,Catalyst优化程序将分析沿袭中的所有转换,并生成实际代码。这被称为整阶段代码生成,并且负责Dataset对RDD的性能改进。

Row-行对象

Row类在DataFrame的一行不带类型数据值中充当容器。通常情况下我们不会自己创建Row对象,而是使用下面的语法:

import org.apache.spark.sql._

val row = Row(12.3, false, null, "Monday")

Row对象元素通过位置(从0开始)或者使用apply进行访问:

row(1) // 产生 Any = false

它会产生一个Any的对象类型。或者最好使用get,方法之一:

row.getBoolean(1) // 产生 Boolean = false

row.getString(3) // 产生 String = "Monday"

因为这样就不会出现原始类型的开销。我们可以使用isNull方法检查行中的一个条目是否为’null’:

row.isNullAt(2) // 产生 true

DataFrame常用转换操作

select

我们现在来看看DataFrame类最常用的转换操作,我们将要看的第一个转换是 select ,它允许我们对一个DataFrame的列进行投影和变换。

引用列

通过它们的名称有两种方法来访问DataFrame列:可以将其引用为字符串;或者可以使用apply方法,col-方法或$以字符串作为参数并返回一个Column(列)对象。所以customerDF.col(“customer”)和customerDF(“customer”)都是customerDF的第一列。

选择和转换列

最简单的select转换形式允许我们将DataFrame投影到包含较少列的DataFrame中

。下面的四个表达式返回一个只包含 customer 和 province 列的 DataFrame :

customerDF.select("customer", "province")
customerDF.select($"customer", $"province")
customerDF.select(col("customer"), col("province"))
customerDF.select(customerDF("customer"), col("province"))

不能在单个select方法中调用混合字符串和列参数:customerDF.select(“customer”, $”province”)导致错误。

使用Column类定义的运算符,可以构造复杂的列表达式:

customerDF.select($"customer",  ($"age" * 2) + 10, $"province" === "浙江")

// 应用show得到以下结果:

customer|  ((age * 2) + 10)|    (province = 浙江)
--------+------------------+--------------------
    Alex|              88.0|                true
     Bob|              46.0|               false
   Chris|             100.0|               false
    Dave|              60.0|               false
   Ellie|              56.0|                true
    Fred|              52.0|               false

列别名

新数据集的列名称从用于创建的表达式中派生而来,我们可以使用alias或as将列名更改为其他助记符:

customerDF.select(
    $"customer" as "name"  
    ,($"age" * 2) + 10 alias "newAge" 
    ,$"province" === "浙江" as "isZJ"
)

产生与前面相同内容的DataFrame,但使用名为 name,newAge 和 isZJ 的列。

Column 类包含用于执行基本数据分析任务的各种有效方法。我们将参考读者文档的详细信息。

最后,我们可以使用lit函数添加一个具有常量值的列,并使用 when 和 otherwise 重新编码列值。 例如,我们添加一个新列 “ageGroup”,如果 “age <20” ,则为 1,如果 “age <30” 则为 2,否则为 3,以及总是为 “false” 的列 “trusted” :

customerDF.select(
    $"customer"
    ,$"age"
    ,when($"age" < 20, 1).when($"age" < 30, 2).otherwise(3) as "ageGroup"
    ,lit(false) as "trusted"
)

// 给出以下DataFrame:

customer|   age|   ageGroup|   trusted
--------+------+-----------+----------
    Alex|    39|          3|     false
     Bob|    18|          1|     false
   Chris|    45|          3|     false
    Dave|    25|          2|     false
   Ellie|    23|          2|     false
    Fred|    21|          2|     false

drop 是 select 相对的转换操作;它返回一个DataFrame,其中删除了原始DataFrame的某些列。

最后可使用distinct方法返回原始DataFrame中唯一值的DataFrame:

customerDF.select($"province").distinct

返回一个包含单个列的DataFrame和包含值的三行:“北京”、“江苏”、“浙江”。

filter

第二个DataFrame转换是Filter方法,它在DataFrame行中进行选择。有两个重载方法:一个接受一个Column,另一个接受一个SQL表达式(一个String)。例如,有以下两种等效方式来过滤年龄大于30岁的所有客户:

customerDF.filter($"age" > 30)
customerDF.filter("age > 30") //SQL

// Filter转换接受一般的布尔连接符and(和)和or(或):

customerDF.filter($"age" <= 30 and $"province" === "浙江")
customerDF.filter("age <= 30 and province = '浙江'") //SQL

我们在SQL版本中使用单个等号,或者使用三等式 ===(Column类的一个方法)。在 == 运算符中使用Scala的等于符号会导致错误。我们再次引用Column类文档中的有用方法。

聚合(aggregation)

执行聚合是进行数据分析的最基本任务之一。例如,我们可能对每个订单的总金额感兴趣,或者更具体地,对每个省或年龄组的总金额或平均金额感兴趣。可能还有兴趣了解哪个客户的年龄组具有高于平均水平的总数。借用SQL,我们可以使用GROUP BY表达式来解决这些问题。DataFrames提供了类似的功能。可以根据一些列的值进行分组,同样,还可以使用字符串或“Column”对象来指定。

我们将使用以下DataFrame:

val customerAgeGroupDF = customerDF
    .withColumn(
        "agegroup",
        when($"age" < 20, 1).when($"age" < 30, 2).otherwise(3)
    )

withColumn方法添加一个新的列或替换一个现有的列。

聚合数据分两步进行:

一个调用GroupBy方法将特定列中相等值的行组合在一起,然后调用聚合函数,如sum(求和值),max(最大值)或为原始DataFrame中每组行计算的“avg”(平均值)。从技术上来说,GroupBy会返回一个RelationalGroupedDataFrame类的对象。RelationalGroupedDataFrame包含max、min、avg、mean和sum方法,所有这些方法都对DataFrame的数字列执行指定操作,并且可以接受一个String-参数来限制所操作的数字列。

还有一个count方法计算每个组中的行数,还有一个通用的agg方法允许我们指定更一般的聚合函数。所有这些方法都会返回一个DataFrame。

customerAgeGroupDF.
    groupBy("agegroup", "province").
    count().show()

//输出

agegroup|    province|   count|
--------+------------+--------+
       2|         北京|       2|
       3|         浙江|       1|
       3|         江苏|       1|
       2|         浙江|       1|
       1|         北京|       1|
--------+------------+--------+
customerAgeGroupDF.groupBy(“agegroup”).max().show()

// 输出:

agegroup|    max(age)|    max(total)|    max(agegroup)
--------+------------+--------------+-----------------
       1|          18|         170.0|                1
       3|          45|        529.95|                3
       2|          25|       1299.95|                2
customerAgeGroupDF.groupBy(“agegroup”).min(“age”, “total”).show()

// 输出:

agegroup|    min(age)|    min(total)
--------+------------+-------------
       1|          18|        170.0
       3|          39|        230.0
       2|          21|        99.99

还有一个通用的agg方法,接受复杂的列表达式。agg在RelationalGroupedDataFrame和Dataset中都可用。后一种方法对整个数据集执行聚合。这两种方法都允许我们给出列表达式的列表:

customerAgeGroupDF.
  groupBy("agegroup").
  agg(sum($"total"), min($"total")).
  show()

// 输出:

agegroup|   sum(total)|    min(total)
--------+-------------+--------------
       1|        170.0|         170.0
       3|       759.95|         230.0
       2|      2498.94|         99.99

可用的聚合函数在 org.apache.spark.sql.functions 中定义。类 RelationalGroupedDataset 在 Apache Spark 1.x 中被称为“ GroupedData ”。 RelationalGroupedDataset 的另一个特点是可以对某些列值进行透视。例如,以下内容允许我们列出每个年龄组的总数:

customerAgeGroupDF.
  groupBy("province").
  pivot("agegroup").
  sum("total").
  show()

// 给出以下输出:

province|      1|        2|        3
--------+-------+---------+---------
     江苏|   null|     null|   529.95
     北京|  170.0|  1198.99|     null
     浙江|   null|  1299.95|    230.0

其中null值表示没有省/年龄组的组合。Pivot的重载版本接受一个值列表以进行透视。这一方面允许我们限制列数,另一方面更加有效,因为Spark不需要计算枢轴列中的所有值。例如:

customerAgeGroupDF.
  groupBy("province").
  pivot("agegroup", Seq(1, 2)).
  agg("total").
  show()

// 给出以下输出:

province|       1|          2
--------+--------+-----------
     江苏|    null|       null
     北京|   170.0|    1198.99
     浙江|    null|    1299.95

使用枢纽数据也可以进行复杂聚合:


customerAgeGroupDF.
  groupBy("province").
  pivot("agegroup", Seq(2, 3)).
  agg(sum($"total"), min($"total")).
  filter($"province" =!= "北京"). 
  show()
// 这里=!=是 Column 类的 “不等于” 方法
// 输出:

province|2_sum(`total`)|2_min(`total`)|3_sum(`total`)|3_min(`total`)
--------+--------------+--------------+---------------+-------------
     江苏|          null|          null|         529.95|       529.95
     浙江|       1299.95|       1299.95|          230.0|        230.0

排序和限制

OrderBy方法允许我们根据一些列对数据集的内容进行排序。和以前一样,我们可以使用Strings或Column对象来指定列:customerDF.orderBy(”age”)和 customerDF.orderBy($”age”)给出相同的结果。默认排序顺序为升序。如果要降序排序,可以使用Column类的desc方法或者desc函数:

customerDF.orderBy($"province", desc("age")).show()

customer|    province|   age|    total
--------+------------+------+---------
    Dave|         北京|    25|    99.99
    Fred|         北京|    21|  1099.00
     Bob|         北京|    18|   170.00
   Chris|         江苏|    45|   529.95
    Alex|         浙江|    39|   230.00
   Ellie|         浙江|    23|  1299.95

观察到 desc 函数返回了一个 Column-object,任何其他列也需要被指定为 Column 对象。

最后,limit 方法返回一个包含原始 DataFrame 中第一个 n 行的 DataFrame。

DataFrame方法与SQL对比

我们已经发现,DataFrame类的基本方法与SQLselect语句的部分密切相关。下表总结了这一对应关系:

DataFrame SQl
select select
filter where,having
groupBy group by
orderBy order by
limit limit

到目前为止连接(join)在我们的讨论中已经缺失。Spark的DataFrame支持连接,我们将在文章的下一部分讨论它们。

下面将讨论完全类型化的DataSets API,连接和用户定义的函数(UDF)。

使用SQL来处理DataFrames

我们还在 Apache Spark 2.0 中直接执行 SQL 语句。SparkSession的SQL方法返回一个DataFrame。此外,DataFrame的selectExp 方法也允许我们为单列指定 SQL 表达式,如下所示。为了能够引用SQL表达式中的DataFrame,首先有必要将 DataFrame 注册为临时表,在Spark 2 中称为临时视图( temporary view,简称为 tempview)。DataFrame为我们提供了以下两种方法:

两种方法都将视图名称作为唯一参数。

  • createTempView 创建一个新视图,如果具有该名称的视图已存在,则抛出一个异常;
  • createOrReplaceTempView 创建一个用来替换的临时视图。
//register a table called 'customer'
customerDF.createTempView("customer") 

// 注册表后,可以使用 SparkSession 的 SQL 方法来执行 SQL 语句:
spark.sql("SELECT customer, age FROM customer WHERE province = '北京'").show()

// 输出 

customer|   age
--------+------
     Bob|    18
    Dave|    25
    Fred|    21

SparkSession 类的 catalog 字段是 Catalog 类的一个对象,具有多种处理会话注册表和视图的方法。例如,Catalog 的 ListTables 方法返回一个包含所有已注册表信息的 Dataset:

scala> spark.catalog.listTables().show()
+----------+------------+--------------+---------------+----------------+
|      name|    database|   description|      tableType|     isTemporary|
+----------+------------+--------------+---------------+----------------+
|customer  |        null|          null|      TEMPORARY|            true|
+----------+------------+--------------+---------------+----------------+

会返回一个包含有关注册表“tableName”中列信息的Dataset,例如:

spark.catalog.listColumns("customer")

此外,可以使用DataSet的SelectExpr方法执行某些产生单列的SQL表达式,例如:

customerDF.selectExpr("sum(total)") 

customerDF.selectExpr("sum(total)", "avg(age)")

这两者都产生DataFrame对象

Apache Spark 2.0 的统一性能够为熟悉SQL的分析师们提供Spark的学习曲线。下一部分将进一步介绍类型化Dataset API的使用、用户定义的函数以及Datasets间的连接。此外,我们将讨论新Dataset API的使用缺陷。


文章作者: hnbian
版权声明: 本博客所有文章除特別声明外,均采用 CC BY 4.0 许可协议。转载请注明来源 hnbian !
评论
 上一篇
Apache Spark 2.0中DataFrames 和 SQL 2 Apache Spark 2.0中DataFrames 和 SQL 2
本文第一部分使用了无类型的 DataFrame API,其中每行都表示一个Row对象。在下面的内容中,我们将使用更新的 DatasetAPI。Dataset 是在 Apache Spark 1.6 中引入的,并已在 Spark 2.0 中使
2018-09-07
下一篇 
将 ES 中的数据导入 HIVE 操作记录 将 ES 中的数据导入 HIVE 操作记录
1. 环境设置# 设置允许动态分区 set hive.exec.dynamic.partition.mode=nonstrict; # 切换库 use stage; # 添加依赖 jar add jar hdfs://node1:802
2018-09-01
  目录