在上一篇文章中已经大致说明了DataFrame APi,下面我们具体介绍DataFrame DSL的使用。DataFrame DSL是一种命令式编写Spark SQL的方式，使用的是一种类sql的风格语法。
文章链接：
一、单词统计案例引入
import org.apache.spark.sql.{DataFrame, SaveMode, SparkSession}
object Demo2DSLWordCount {
def main(args: Array[String]): Unit = {
/**
* 在新版本的spark中，如果想要编写spark sql的话，需要使用新的spark入口类：SparkSession
*/
val sparkSession: SparkSession = SparkSession.builder()
.master("local")
.appName("wc spark sql")
.getOrCreate()
/**
* spark sql和spark core的核心数据类型不太一样
*
* 1、读取数据构建一个DataFrame,相当于一张表
*/
val linesDF: DataFrame = sparkSession.read
.format("csv") //指定读取数据的格式
.schema("line STRING") //指定列的名和列的类型，多个列之间使用,分割
.option("sep", "\n") //指定分割符，csv格式读取默认是英文逗号
.load("spark/data/words.txt") // 指定要读取数据的位置，可以使用相对路径
/**
* DSL: 类SQL语法 api 介于代码和纯sql之间的一种api
*
* spark在DSL语法api中，将纯sql中的函数都使用了隐式转换变成一个scala中的函数
* 如果想要在DSL语法中使用这些函数，需要导入隐式转换
*
*/
//导入Spark sql中所有的sql隐式转换函数
import org.apache.spark.sql.functions._
//导入另一个隐式转换，后面可以直接使用$函数引用字段进行处理
import sparkSession.implicits._
// linesDF.select(explode(split($"line","\\|")) as "word")
// .groupBy($"word")
// .count().show()
val resultDF: DataFrame = linesDF.select(explode(split($"line", "\\|")) as "word")
.groupBy($"word")
.agg(count($"word") as "counts")
/**
* 保存数据
*/
resultDF
.repartition(1)
.write
.format("csv")
.option("sep","\t")
.mode(SaveMode.Overwrite)
.save("spark/data/sqlout2")
}
}注意：show（）可以指定两个参数，第一个参数为展现的条数，不指定默认展示前20条数据，第二个参数默认为false,代表的是如果数据过长展示就会不完全，可以指定为true,使得数据展示完整,比如 ： show(200,truncate = false)
二、数据源获取
查看官方文档：Data Sources - Spark 3.5.1 Documentation，看到DataFrame支持多种数据源的获取。
1、csv-->json
val sparkSession: SparkSession = SparkSession.builder()
.master("local[2]")
.appName("多种类型数据源读取演示")
.config("spark.sql.shuffer.partitions", 1) //指定分区数为1，默认分区数是200个
.getOrCreate()
//导入spark sql中所有的隐式转换函数
import org.apache.spark.sql.functions._
//导入sparkSession下的所有隐式转换函数，后面可以直接使用$函数引用字段
import sparkSession.implicits._
/**
* 读csv格式的文件-->写到json格式文件中
*/
//1500100967,能映秋,21,女,文科五班
val studentsDF: DataFrame = sparkSession.read
.format("csv")
.schema("id String,name String,age Int,gender String,clazz String")
.option("sep", ",")
.load("spark/data/student.csv")
studentsDF.write
.format("json")
.mode(SaveMode.Overwrite)
.save("spark/data/students_out_json.json")
2、json-->parquet
val sparkSession: SparkSession = SparkSession.builder()
.master("local")
.appName("")
.config("spark.sql.shuffer.partitions", 1) //指定分区数为1，默认分区数是200个
.getOrCreate()
//导入spark sql中所有的隐式转换函数
//导入sparkSession下的所有隐式转换函数，后面可以直接使用$函数引用字段
/**
* 读取json数据格式，因为json数据有键值对，会自动的将健作为列名，值作为列值，不需要手动的设置表结构
*/
//1500100967,能映秋,21,女,文科五班
//方式1：
// val studentsJsonDF: DataFrame = sparkSession.read
// .format("json")
// .load("spark/data/students_out_json.json/part-00000-3f086bb2-23d9-4904-9814-3a34b21020ab-c000.json")
//方式2：实际上也是调用方式1，只是更简洁了
// def json(paths: String*): DataFrame = format("json").load(paths : _*)
val studebtsReadDF: DataFrame = sparkSession.read
.json("spark/data/students_out_json.json/part-00000-3f086bb2-23d9-4904-9814-3a34b21020ab-c000.json")
studebtsReadDF.write
.format("parquet")
.mode(SaveMode.Overwrite)
.save("spark/data/students_parquet")3、parquet-->csv
val sparkSession: SparkSession = SparkSession.builder()
.master("local")
.appName("")
.config("spark.sql.shuffer.partitions", 1) //指定分区数为1，默认分区数是200个
.getOrCreate()
//导入Spark sql中所有的sql隐式转换函数
import org.apache.spark.sql.functions._
//导入另一个隐式转换，后面可以直接使用$函数引用字段进行处理
import sparkSession.implicits._
/**
* parquet:压缩的比例由信息熵决定，通俗的说就是数据的重复程度决定
*/
val studebtsReadDF: DataFrame = sparkSession.read
.format("parquet")
.load("spark/data/students_parquet/part-00000-8b815a03-97f7-4d71-8b71-4e7e30f60995-c000.snappy.parquet")
studebtsReadDF.write
.format("csv")
.mode(SaveMode.Overwrite)
.save("spark/data/students_csv")三、DataFrame DSL API的使用
1、select
import org.apache.spark.sql.{DataFrame, SparkSession}
object Demo1Select {
def main(args: Array[String]): Unit = {
val sparkSession: SparkSession = SparkSession.builder()
.master("local")
.appName("select函数演示")
.getOrCreate()
//导入Spark sql中所有的sql隐式转换函数
import org.apache.spark.sql.functions._
//导入另一个隐式转换，后面可以直接使用$函数引用字段进行处理
import sparkSession.implicits._
val studentsDF: DataFrame = sparkSession.read
.format("csv")
.schema("id String,name String,age String,gender String,clazz String")
.option("sep", ",")
.load("spark/data/student.csv")
/**
* select函数
*/
//方式1：只能查询原有字段，不能对字段做出处理，比如加减、起别名之类
studentsDF.select("id", "name", "age")
//方式2：弥补了方式1的不足
studentsDF.selectExpr("id","name","age+1 as new_age")
//方式3:使用隐式转换函数中的$将字段变为一个对象
val stuDF: DataFrame = studentsDF.select($"id", $"name", $"age")
//3.1使用对象对字段进行处理
// stuDF.select($"id", $"name", $"age",$"age".+(1) as "new_age").show() //不可使用未变为对象的字段
stuDF.select($"id", $"name", $"age",$"age" + 1 as "new_age") // +是函数，可以等价于该语句
//3.2可以在select中使用sql函数
studentsDF.select($"id", $"name", $"age", substring($"id", 0, 2))
}
}
2、where
/**
* where函数：过滤数据
*/
//方式1：直接将sql中的where语句以字符串形式传参
studentsDF.where("clazz='文科一班' and gender='男'")
//方式2：使用$列对象形式过滤
/**
* 注意在此种方式下：等于和不等于符号与我们平常使用的有所不同
* 等于：===
* 不等于：=!=
*/
studentsDF.where($"clazz" === "文科一班" and $"gender"=!="男").show()3、groupBy和agg
/**
* groupby:分组函数 agg:聚合函数
* 注意：
* 1、groupby与agg函数通常都是一起使用
* 2、分组聚合之后的结果DataFrame中只会包含分组字段与聚合字段
* 3、分组聚合之后select中无法出现不是分组的字段
*/
//需求：根据班级分组，求每个班级的人数和平均年龄
studentsDF.groupBy($"clazz")
.agg(count($"clazz") as "clazz_number",avg($"age") as "avg_age")
.show()4、join
/**
* 5、join:表关联
*/
val subjectDF1: DataFrame = sparkSession.read
.format("csv")
.option("sep", ",")
.schema("id String,subject_id String,score Int")
.load("spark/data/score.csv")
val subjectDF2: DataFrame = sparkSession.read
.format("csv")
.option("sep", ",")
.schema("sid String,subject_id String,score Int")
.load("spark/data/score.csv")
//关联场景1：所关联的字段名字一样
studentsDF.join(subjectDF1,"id")
//关联场景2：所关联的字段名字不一样
studentsDF.join(subjectDF2,$"id"===$"sid","inner")
// studentsDF.join(subjectDF2,$"id"===$"sid","left").show()
/**
* 上面两种关联场景默认inner连接方式（内连接），可以指定参数选择连接方式，比如左连接、右连接、全连接之类
* * @param joinType Type of join to perform. Default `inner`. Must be one of:
* * `inner`, `cross`, `outer`, `full`, `fullouter`,`full_outer`, `left`,
* * `leftouter`, `left_outer`, `right`, `rightouter`, `right_outer`.
*/
5、开窗
/**
* 开窗函数
* 1、ROW_NUMBER()：为分区中的每一行分配一个唯一的序号。序号是根据ORDER BY子句定义的顺序分配的
* 2、RANK()和DENSE_RANK()：为分区中的每一行分配一个排名。RANK()在遇到相同值时会产生间隙，而DENSE_RANK()则不会。
*
*/
//需求：统计每个班级总分前三的学生
val stu_scoreDF: DataFrame = studentsDF.join(subjectDF2, $"id" === $"sid")
//方式1：在select中使用row_number() over Window.partitionBy().orderBy()
stu_scoreDF.groupBy($"clazz", $"id")
.agg(sum($"score") as "sum_score")
.select($"clazz", $"id", $"sum_score", row_number() over Window.partitionBy($"clazz").orderBy($"sum_score".desc) as "score_rank")
.where($"score_rank" <= 3)
//方式2：使用withcolumn()函数，会新增一列，但是要预先指定列名
stu_scoreDF
.repartition(1)
.groupBy($"clazz", $"id")
.agg(sum($"score") as "sum_score")
.withColumn("score_rank",row_number() over Window.partitionBy($"clazz").orderBy($"sum_score".desc))
.where($"score_rank" <= 3)
.show()注意:
DSL API 不直接对应 SQL 的关键字执行顺序（如 SELECT、FROM、WHERE、GROUP BY 等），但可以按照构建逻辑查询的方式来组织代码，使其与 SQL 查询的逻辑结构相似。
在构建 Spark DataFrame 转换和操作时，常用流程介绍：
- 选择数据源：使用
spark.read或从其他 DataFrame 派生。 - 转换：使用各种转换函数（如
select、filter、map、flatMap、join等）来修改 DataFrame。 - 聚合：使用
groupBy和聚合函数（如sum、avg、count等）对数据进行分组和汇总。 - 排序：使用
orderBy或sort对数据进行排序。 - 输出：使用
show、collect、write等函数将结果输出到控制台、收集到驱动程序或写入外部存储。
四、RDD与DataFrame的转换
import org.apache.spark.SparkContext
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, Row, SparkSession}
object RddToDf {
def main(args: Array[String]): Unit = {
val sparkSession: SparkSession = SparkSession.builder()
.appName("Rdd与Df之间的转换")
.master("local")
.config("spark.sql.shuffle.partitions", 1)
.getOrCreate()
import org.apache.spark.sql.functions._
import sparkSession.implicits._
val sparkContext: SparkContext = sparkSession.sparkContext
val idNameRdd: RDD[(String, String)] = sparkContext.textFile("spark/data/student.csv")
.map(_.split(","))
.map {
case Array(id: String, name: String, _, _, _) => (id, name)
}
/**
* Rdd-->DF
* 因为在Rdd中不会存储文件的结构（schema）信息，所以要指定字段
*/
val idNameDF: DataFrame = idNameRdd.toDF("id", "name")
idNameDF.createOrReplaceTempView("idNameTb")
sparkSession.sql("select id,name from idNameTb").show()
/**
* DF-->Rdd
*/
val idNameRdd2: RDD[Row] = idNameDF.rdd
idNameRdd2.foreach(println)
}
}
