Apache Spark 2.0中 DataFrames 和 SQL

spark spark sql
spark
发布日期:   2018-09-06

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：

1
2
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：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
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：

1
2
3
4
5
6
7
8
9
10
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：

1
2
3
4
5
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：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
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：

1
2
3
4
5
6
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：

1
2
3
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：

1
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：

1
2
3
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’：

1
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 ：

1
2
3
4
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：

1
2
3
4
5
6
7
8
9
10
11
12
13
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：

1
2
3
4
5
6
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” ：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
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：

1
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：

1
2
3
4
5
6
7
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：

1
2
3
4
5
6
7
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。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
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|
--------+------------+--------+
1
2
3
4
5
6
7
8
9
10
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

1
2
3
4
5
6
7
8
9
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：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
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：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
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：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
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：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

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：

1
2
3
4
5
6
7
8
9
10
11
12
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。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
//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：

1
2
3
4
5
6
7
8
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：

1
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：

1
2
3
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
文章链接: https://www.hnbian.cn/posts/41f0279f.html
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 !
spark spark sql
评论
  目录