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 中使用 DataFrames 进行了统一,我们现在有了 type DataFrame = Dataset [Row],其中方括号([和] Scala中的泛型类型,因此类似于Java的<和>)。因此,上面讨论的所有诸如select、filter、groupBy、agg、orderBy、limit 等方法都以相同的方式使用。
Datasets:返回类型信息
Spark 2.0以前的DataFrame API本质上是一个无类型的API,这也就意味着在编译期间很可能会因为某些编译器错误,导致无法访问类型信息。
和之前一样,我们将在示例中使用Scala,因为我相信Scala最为简洁。可能涉及的例子:spark将表示SparkSession对象,代表我们的Spark集群。
例子:分析Apache访问日志
我们将使用Apache访问日志格式数据。先一起回顾Apache日志中的典型行,如下所示:
127.0.0.1 - - [01/Aug/1995:00:00:01 -0400] "GET /images/launch-logo.gif HTTP/1.0" 200 1839
此行包含以下部分:
- 127.0.0.1是向服务器发出请求的客户端(远程主机)IP地址(或主机名,如果可用);
- 输出中的第一个-表示所请求的信息(来自远程机器的用户身份)不可用;
- 输出中的第二个-表示所请求的信息(来自本地登录的用户身份)不可用;
- [01 / Aug / 1995:00:00:01 -0400]表示服务器完成处理请求的时间,格式为:[日/月/年:小时:分:秒 时区],有三个部件:”GET /images/launch-logo.gif HTTP / 1.0”;
- 请求方法(例如,GET,POST等);
- 端点(统一资源标识符);
- 和客户端协议版本(’HTTP / 1.0’)。
- 200这是服务器返回客户端的状态代码。这些信息非常有价值:成功回复(从2开始的代码),重定向(从3开始的代码),客户端导致的错误(以4开头的代码),服务器错误(代码从5开始)。最后一个条目表示返回给客户端的对象大小。如果没有返回任何内容则是-或0。
首要任务是创建适当的类型来保存日志行信息,因此我们使用Scala的case类,具体如下:
case class ApacheLog(
host: String,
user: String,
password: String,
timestamp: String,
method: String,
endpoint: String,
protocol: String,
code: Integer,
size: Integer
)
默认情况下,case类对象不可变。通过它们的值来比较相等性,而不是通过比较对象引用。
为日志条目定义了合适的数据结构后,现在需要将表示日志条目的String转换为ApacheLog对象。我们将使用正则表达式来达到这一点,参考如下:
^(\S+) (\S+) (\S+) \[([\w:/]+\s[+\-]\d{4})\] "(\S+) (\S+)\s*(\S*)" (\d{3}) (\S+)
可以看到正则表达式包含9个捕获组,用于表示ApacheLog类的字段。
使用正则表达式解析访问日志时,会面临以下问题:
- 一些日志行的内容大小以-表示,我们想将它转换为0;
- 一些日志行不符合所选正则表达式给出的格式。
为了克服第二个问题,我们使用Scala的“Option”类型来丢弃不对的格式并进行确认。Option也是一个泛型类型,类型Option[ApacheLog]的对象可以有以下形式:
- None,表示不存在一个值(在其他语言中,可能使用null);
- Some(log)for a ApacheLog-objectlog。
以下为一行函数解析,并为不可解析的日志条目返回None:
def parse_logline(line: String) : Option[ApacheLog] = {
val apache_pattern =
"""^(\S+) (\S+) (\S+) \[([\w:/]+\s[+\-]\d{4})\] "(\S+) (\S+)\s*(\S*)" (\d{3}) (\S+)""".r
line match {
case apache_pattern(a, b, c, t, f, g, h, x, y) => {
val size = if (y == "-") 0 else y.toInt
Some(ApacheLog(a, b, c, t, f, g, h, x.toInt, size))
}
case _ => None
}
}
最好的方法是修改正则表达式以捕获所有日志条目,但 Option 是处理一般错误或不可解析条目的常用技术。
综合起来,现在来剖析一个真正的数据集。我们将使用著名的 NASA Apache 访问日志数据集,它可以在ftp://ita.ee.lbl.gov/traces/NASA_access_log_Jul95.gz 下载。
下载和解压缩文件后,首先将其打开为 String 的 Dataset,然后使用正则表达式解析:
import spark.implicits._
val filename = "NASA_access_log_Jul95"
val rawData = spark.read.text(filename).as[String].cache
用spark.read.text方法打开文本文件并返回一个DataFrame,是textfile的行。使用Dataset的as方法将其转换为包含Strings的Dataset对象(而不是Rows包含字符串),并导入spark.implicits._以允许创建一个包含字符串或其他原始类型的Dataset。
现在可以解析数据集:
val apacheLogs = rawData.flatMap(parse_logline)
flatMap将parse_logline函数应用于rawData的每一行,并将Some(ApacheLog)形式的所有结果收集到apacheLogs中,同时丢弃所有不可解析的日志行(所有结果的形式None)。
我们现在可以对“数据集”执行分析,就像在“DataFrame”上一样。Dataset中的列名称只是ApacheLog case类的字段名称。
例如,以下代码打印生成最多404个响应的10个端点:
apacheLogs.filter($"code" === 404).
groupBy($"endpoint").
count.
orderBy($"count".desc).
limit(10).show
如前所述,可以将Dataset注册为临时视图,然后使用SQL执行查询:
apacheLogs.createOrReplaceTempView("apacheLogs")
spark.sql("
select
endpoint,
count(*) as c
from apacheLogs
where code = 404
group by endpoint
order by c desc
limit 10
").show
// 上面的 SQL 查询具有与上面的Scala 代码相同的结果。
用户定义的函数(user defined function, UDF)
在Spark SQL中,我们可以使用范围广泛的函数,包括处理日期、基本统计和其他数学函数的函数。Spark在函数中的构建是在org.apache.spark.sql.functions对象中定义的。
作为示例,我们使用以下函数提取主机名的顶级域:
def extractTLD(host : String) : String = {
host.substring(host.lastIndexOf('.') + 1)
}
如果想在SQL查询中使用这个函数,首先需要注册。这是通过SparkSession的udf对象实现的:
val extractTLD_UDF =spark.udf.register("extractTLD", extractTLD _)
函数名后的最后一个下划线将extractTLD转换为部分应用函数(partially applied function),这是必要的,如果省略它会导致错误。register方法返回一个UserDefinedFunction对象,可以应用于列表达式。
一旦注册,我们可以在SQL查询中使用extractTLD:
spark.sql("select extractTLD(host) from apacheLogs")
要获得注册的用户定义函数概述,可以使用spark.catalog对象的listFunctions方法,该对象返回SparkSession定义的所有函数DataFrame:
spark.catalog.listFunctions.show
注意Spark SQL遵循通常的SQL约定,即不区分大小写。也就是说,以下SQL表达式都是有效的并且彼此等价:select extractTLD(host)from apacheLogs,select extracttld(host)from apacheLogs,”select EXTRACTTLD(host) from apacheLogs”。spark.catalog.listFunctions返回的函数名将总是小写字母。
除了在SQL查询中使用UDF,我们还可以直接将它们应用到列表达式。以下表达式返回.net域中的所有请求:
apacheLogs.filter(extractTLD_UDF($"host") === "net")
值得注意的是,与Spark在诸如filter,select等方法中的构建相反,用户定义的函数只采用列表达式作为参数。写extractTLD_UDF(“host”)会导致错误。
除了在目录中注册UDF并用于Column表达式和SQL中,我们还可以使用org.apache.spark.sql.functions对象中的udf函数注册一个UDF:
import org.apache.spark.sql.functions.udf
def request_failed(code : Integer) : Boolean = { code >= 400 }
val request_failed_udf = udf(request_failed _)
注册UDF后,可以将它应用到Column表达式(例如filter里面),如下所示:
apacheLogs.filter(request_failed_udf($"code")).show
但是不能在SQL查询中使用它,因为还没有通过名称注册它。
UDF和Catalyst优化器
Spark中用Catalyst优化器来优化所有涉及数据集的查询,会将用户定义的函数视作黑盒。值得注意的是,当过滤器操作涉及UDF时,在连接之前可能不会“下推”过滤器操作。我们通过下面的例子来说明。
通常来说,不依赖UDF而是从内置的“Column”表达式进行组合操作可能效果更好。
join
最后,我们将讨论如何使用以下两个Dataset方法连接数据集:
- join返回一个DataFrame
- joinWith返回一对Datasets
以下示例连接两个表1、表2:
表1 员工(Employee)
lastName | DepartmentID |
---|---|
Rafferty | 31 |
Jones | 33 |
Heisenberg | 33 |
Robinson | 34 |
Smith | 34 |
Williams | NULL |
表2 部门(Department)
DepartmentName | DepartmentID |
---|---|
Sales | 31 |
Engineering | 33 |
Clerical | 34 |
Marketing | 35 |
定义两个case类,将两个表编码为case类对象的序列(由于空间原因不显示),最后创建两个Dataset对象:
case class Department (depID : Integer, depName: String)
case class Employee (lastname : String, depID: Integer)
val depData = Seq(
Department(31, "Sales"),
...
)
val empData = Seq(
Employee("Rafferty", 31),
Employee("Williams",null),
...
)
val employees = spark.createDataset(empData)
val departments = spark.createDataset(depData)
为了执行内部等连接,只需提供要作为“String”连接的列名称:
val joined = employees.join(departments, "depID")
Spark会自动删除双列,joined.show给出以下输出:
deptID | lastname | deptName |
---|---|---|
31 | Rafferty | Sales |
33 | Jones | Engineering |
33 | Heisenberg | Engineering |
34 | Robinson | Clerical |
34 | Smith | Clerical |
在上面,joined是一个DataFrame,不再是Dataset。连接数据集的行可以作为Seq列名称给出,或者可以指定要执行的equi-join(inner,outer,left_outer,right_outer或leftsemi)类型。想要指定连接类型的话,需要使用Seq表示法来指定要连接的列。请注意,如果执行内部联接(例如,获取在同一部门中工作的所有员工的对):employees.join(employees,Seq(“depID”)),我们没有办法访问连接的DataFrame列:employees.join(employees, Seq(“depID”)).select(“lastname”)会因为重复的列名而失败。处理这种情况的方法是重命名部分列:
employees
.withColumnRenamed("lastname", "lname")
.join(employees, Seq("depID"))
.show
除了等连接之外,我们还可以给出更复杂的连接表达式,例如以下查询,它将所有部门连接到不知道部门ID且不在本部门工作的员工:
departments.join(employees, departments("depID") =!= employees("depID"))
然后可以不指定任何连接条件,在两个Datasets间执行笛卡尔联接: departments.join(employees).show。
与joinWith类型保存连接
最后,Dataset的joinWith方法返回一个Dataset,包含原始数据集中匹配行的Scala元组。
departments.
joinWith(employees,
departments("depID") === employees("depID")
).show
_1 | _2 |
---|---|
[31,Sales] | [Rafferty,31] |
[33,Engineering] | [Jones,33] |
[33,Engineering] | [Heisenberg,33] |
[34,Clerical] | [Robinson,34] |
[34,Clerical] | [Smith,34] |
这可以用于自连接后想要规避上述不可访问列的问题情况。
加入和优化器
Catalyst优化器尝试通过将“过滤器”操作向“下推”,以尽可能多地优化连接,因此它们在实际连接之前执行。
为了这个工作,用户定义的函数(UDF),不应该在连接条件内使用用因为这些被Catalyst处理为黑盒子。
结论
我们已经讨论了在 Apache Spark 2.0 中使用类型化的 DatasetAPI,如何在 Apache Spark 中定义和使用用户定义的函数,以及这样做的危险。使用UDF可能产生的主要困难是它们会被 Catalyst 优化器视作黑盒。