Spark SQL结构化数据处理

Spark SQL是Spark框架的重要组成部分， 主要用于结构化数据处理和对Spark数据执行类SQL的查询。

DataFrame是一个分布式的，按照命名列的形式组织的数据集合。 一张SQL数据表可以映射为一个DataFrame对象，DataFrame是Spark SQL中的主要数据结构。

SqlContext实例是DataFrame和Spark SQL的操作入口， pyspark交互环境中已初始化了一个sqlContext实例， 在提交任务脚本时需要使用一个SparkContext来初始化：

from pyspark.sql import SQLContext
sqlContext = SqlContext(sparkContext)

本文测试环境为Spark 2.1.0， Python API.

创建DataFrame

SqlContext.createDataFrame方法可以从python的list中创建DataFrame:

>>> data = [('a', 1, 18), ('b', 2, 22), ('c', 3, 20)]
>>> df = sqlContext.createDataFrame(data)
>>> df.collect()
[Row(_1=u'a', _2=1, _3=18), 
Row(_1=u'b', _2=2, _3=22),
Row(_1=u'c', _2=3, _3=20)]

list中的每一项成为DataFrame中的一行， 每一列的名字默认为_1, _2, _3.

同样可以使用RDD来创建:

>>> data = [('a', 1, 18), ('b', 2, 22), ('c', 3, 20)]
>>> rdd = sc.parallelize(data)
>>> df = sqlContext.createDataFrame(rdd)
>>> df.collect()
[Row(_1=u'a', _2=1, _3=18), 
Row(_1=u'b', _2=2, _3=22),
Row(_1=u'c', _2=3, _3=20)]

或者采用更简单的方法:

>>> df = rdd.toDF()
>>> >>> df.collect()
[Row(_1=u'a', _2=1, _3=18), 
Row(_1=u'b', _2=2, _3=22),
Row(_1=u'c', _2=3, _3=20)]

createFrame的第二个参数为可选参数schema用于定义每一列的名称和类型:

>>> data = [('a', 1, 18), ('b', 2, 22), ('c', 3, 20)]
>>> df = sqlContext.createDataFrame(data, ['name', 'id', 'age'])
>>> df.collect()
[Row(name=u'a', id=1, age=18), 
Row(name=u'b', id=2, age=22),
Row(name=u'c', id=3, age=20)]

同样可以使用元素为dict的列表创建DataFrame实例：

>>> data = [
... {'name':'a', 'id':1, 'age': 18}, 
... {'name':'b', 'id':2, 'age': 22},
... {'name':'c', 'id':3, 'age': 20}]
>>> df = sqlContext.createDataFrame(data)
>>> df.collect()
[Row(name=u'a', id=1, age=18), 
Row(name=u'b', id=2, age=22),
Row(name=u'c', id=3, age=20)]

不过Spark官方推荐使用Row对象来代替dict:

>>> from pyspark.sql import Row
>>> User = Row('name', 'id', 'age')
>>> row1 = User('a', 1, 18)
>>> row2 = User('b', 2, 22)
>>> row3 = User('b', 3, 20)
>>> data = [row1, row2, row3]
>>> df = sqlContext.createDataFrame(data)
>>> df.collect()
[Row(name=u'a', id=1, age=18), 
Row(name=u'b', id=2, age=22),
Row(name=u'c', id=3, age=20)]

schema参数也可以使用pyspark中定义的字段类型:

>>> from pyspark.sql.types import StructType, StructField
>>> from pyspark.sql.types import StringType, IntegerType
>>> schema = StructType([
... StructField("name", StringType(), True),  # name， type, nullable
... StructField("id", IntegerType(), True),
... StructField("age", IntegerType(), True)])
>>> data = [('a', 1, 18), ('b', 2, 22), ('c', 3, 20)]
>>> df = sqlContext.createDataFrame(data, schema)
>>> df.collect()
[Row(name=u'a', id=1, age=18), 
Row(name=u'b', id=2, age=22), 
Row(name=u'c', id=3, age=20)]

更多关于createDataFrame方法的信息可以参考官方文档

SqlContext.read是一个pyspark.sql.DataFrameReader对象， 它可以用于根据外部数据源创建DataFrame， 包括读取文件和使用jdbc读取数据库。

详情可以参考官方文档

DataFrame操作

DataFrame提供了一些常用操作的实现， 可以使用这些接口查看或修改DataFrame：

• df.collect(): 以Row列表的方式显示df中的所有数据
• df.show()： 以可视化表格的方式打印df中的所有数据
• df.count()： 显示df中数据的行数
• df.describe() 返回一个新的DataFrame对象包含对df中数值列的统计数据
• df.cache(): 以MEMORY_ONLY_SER方式进行持久化
• df.persist(level): 以指定的方式进行持久化
• df.unpersist(): 删除缓存

DataFrame的一些属性可以用于查看它的结构信息:

• df.columns： 返回各列名称的列表

• df.schema： 以StructType对象的形式返回df的表结构

• df.dtypes: 以列表的形式返回每列的名称和类型。
  [('name', 'string'), ('id', 'int')]

• df.rdd 将DataFrame对象转换为rdd

DataFrame支持使用Map和Reduce操作:

• df.map(func): 等同于df.rdd.map(func)

• df.reduce(func): 等同于 df.rdd.reduce(func)

DataFrame的结构可以进行一些修改：

• df.drop(col): 返回一个删除指定列后的DataFrame对象:

>>> df.drop('age')
DataFrame[age:int, id: int]

>>>df.drop(df.name)
DataFrame[age:int, id: int]

同样可以查询DataFrame中特定的记录：

• df.take(index): 以列表的形式返回df的前n条记录， 下标从1开始

• df.first(): 返回df中的第一个Row对象

• df.filter(cond): 返回只包含满足条件记录的新DataFrame对象

>>> df.filter(df.age>=20).collect()
[Row(name=u'b', id=2, age=22), Row(name=u'c', id=3, age=20)]

• df.select(col): 返回只包含指定列的新DataFrame对象：

>>> df.select('*').collect()
[Row(name=u'a', id=1, age=18), Row(name=u'b', id=2, age=22), Row(name=u'c', id=3, age=20)]

>>> df.select(df.id, df.age-1).collect()
[Row(id=1, (age - 1)=17), Row(id=2, (age - 1)=21), Row(id=3, (age - 1)=19)]

• df.join(other, on=None, how=None)将df和other两个DataFrame对象连接为一个DataFrame对象.
  • on： 指定连接的列
  • how： 指定连接方式：'inner', 'outer', 'left_outer', 'right_outer', 'leftsemi', 默认为'inner'

>>> df.collect()
[Row(name=u'a', id=1, age=18), Row(name=u'b', id=2, age=22), Row(name=u'c', id=3, age=20)]
>>> df2.collect()
[Row(id=1, nation=u'cn'), Row(id=2, nation=u'us'), Row(id=4, nation=u'uk')]

>>> df.join(df2, 'id').collect()
[Row(id=1, name=u'a', age=18, nation=u'cn'), Row(id=2, name=u'b', age=22, nation=u'us')]

• df.limit(num): 返回一个新的DataFrame对象， 其记录数不超过num, 多余的记录将被删除.

• df.distinct() : 返回一个新的去除重复行后的DataFrame对象

更多信息可以参考官方文档