转】Spark DataFrames入门指南:创建和操作DataFrame

  原博文出自于:  http://blog.csdn.net/lw_ghy/article/details/51480358      感谢!

一、从csv文件创建DataFrame

  本文将介绍如何从csv文件创建DataFrame。

如何做?
  从csv文件创建DataFrame主要包括以下几步骤:
  1、在build.sbt文件里面添加spark-csv支持库;
  2、创建SparkConf对象,其中包括Spark运行所有的环境信息;
  3、创建SparkContext对象,它是进入Spark的核心切入点,然后我们可以通过它创建SQLContext对象;
  4、使用SQLContext对象加载CSV文件;
  5、Spark内置是不支持解析CSV文件的,但是Databricks公司开发了一个类库可以支持解析CSV文件。所以我们需要把这个依赖文件加载到依赖文件中(pom.xml或者是build.sbt)

如果你是SBT工程,请加入以下依赖到build.sbt文件中:

  1. libraryDependencies += "com.databricks" % "spark-csv_2.10" % "1.3.0"

如果你是Maven工程,请加入以下依赖到pom.xml文件中:

  1. <dependency>
  2. <groupid>com.databricks</groupid>
  3. <artifactid>spark-csv_2.10</artifactid>
  4. <version>1.3.0</version>
  5. </dependency>

6、SparkConf持有所有运行Spark程序的信息,在这个实例中,我们将以本地的方式运行这个程序,而且我们打算使用2个核(local[2]),部分代码片段如下:

  1. import org.apache.spark.SparkConf
  2. val conf = new SparkConf().setAppName("csvDataFrame").setMaster("local[2]")

7、使用SparkConf初始化SparkContext对象,SparkContext是进入Spark的核心切入点:

  1. val sc = new SparkContext(conf)

在Spark中查询数据最简单的一种方式就是使用SQL查询,所以我们可以定义一个SQLContext对象:

  1. val sqlContext=new SQLContext(sc)

8、现在我们就可以加载事先准备好的数据了:

  1. import com.databricks.spark.csv._
  2. val students=sqlContext.csvFile(filePath="StudentData.csv", useHeader=true, delimiter='|')

其中,students对象的类型是org.apache. spark.sql.DataFrame。

如何工作的
  csvFile方法接收需要加载的csv文件路径filePath,如果需要加载的csv文件有头部信息,我们可以将useHeader设置为true,这样就可以将第一行的信息当作列名称来读;delimiter指定csv文件列之间的分隔符。

  除了使用csvFile函数,我们还可以使用sqlContext里面的load来加载csv文件:

  1. val options = Map("header" -> "true", "path" -> "E:\\StudentData.csv")
  2. val newStudents = sqlContext.read.options(options).format("com.databricks.spark.csv").load()

附录
为了方便大家测试,我提供了StudentData.csv文件的部分数据集:

  1. id|studentName|phone|email
  2. 1|Burke|1-300-746-8446|ullamcorper.velit.in@ametnullaDonec.co.uk
  3. 2|Kamal|1-668-571-5046|pede.Suspendisse@interdumenim.edu
  4. 3|Olga|1-956-311-1686|Aenean.eget.metus@dictumcursusNunc.edu
  5. 4|Belle|1-246-894-6340|vitae.aliquet.nec@neque.co.uk
  6. 5|Trevor|1-300-527-4967|dapibus.id@acturpisegestas.net
  7. 6|Laurel|1-691-379-9921|adipiscing@consectetueripsum.edu
  8. 7|Sara|1-608-140-1995|Donec.nibh@enimEtiamimperdiet.edu
  9. 8|Kaseem|1-881-586-2689|cursus.et.magna@euismod.org
  10. 9|Lev|1-916-367-5608|Vivamus.nisi@ipsumdolor.com
  11. 10|Maya|1-271-683-2698|accumsan.convallis@ornarelectusjusto.edu
  12. 11|Emi|1-467-270-1337|est@nunc.com
  13. 12|Caleb|1-683-212-0896|Suspendisse@Quisque.edu
  14. 13|Florence|1-603-575-2444|sit.amet.dapibus@lacusAliquamrutrum.ca
  15. 14|Anika|1-856-828-7883|euismod@ligulaelit.co.uk
  16. 15|Tarik|1-398-171-2268|turpis@felisorci.com
  17. 16|Amena|1-878-250-3129|lorem.luctus.ut@scelerisque.com
  18. 17|Blossom|1-154-406-9596|Nunc.commodo.auctor@eratSed.co.uk
  19. 18|Guy|1-869-521-3230|senectus.et.netus@lectusrutrum.com
  20. 19|Malachi|1-608-637-2772|Proin.mi.Aliquam@estarcu.net
  21. 20|Edward|1-711-710-6552|lectus@aliquetlibero.co.uk

二、从Scala case class中创建DataFrame

  在这篇文章中,你将学到如何从Scala case class中创建DataFrame。

如何做?
  1、我们首先创建一个case class,名为Employee,并且定义id和name两个参数,如下:

  1. case class Employee(id: Int, name: String)

和先前一样,我们分别定义SparkConf、SparkContext以及SQLContext:

  1. val conf = new SparkConf().setAppName("colRowDataFrame"). setMaster("local[2]")
  2. val sc = new SparkContext(conf)
  3. val sqlContext = new SQLContext(sc)

2、我们可以通过很多方式来初始化Employee类,比如从关系型数据库中获取数据以此来定义Employee类。但是在本文为了简单起见,我将直接定义一个Employee类的List,如下:

  1. val listOfEmployees = List(Employee(1, "iteblog"), Employee(2, "Jason"), Employee(3, "Abhi"))

3、我们将listOfEmployees列表传递给SQLContext类的createDataFrame 函数,这样我们就可以创建出DataFrame了!然后我们可以调用DataFrame的printuSchema函数,打印出该DataFrame的模式,我们可以看出这个DataFrame主要有两列:name和id,这正是我们定义Employee的两个参数,并且类型都一致。

  1. val empFrame = sqlContext.createDataFrame(listOfEmployees)
  2. empFrame.printSchema
  3. root
  4. |-- id: integer (nullable = false)
  5. |-- name: string (nullable = true)

之所以DataFrame打印出的模式和Employee类的两个参数一致,那是因为DataFrame内部通过反射获取到的。

4、如果你对默认反射获取到的模式名称不感兴趣,你可以通过withColumnRenamed函数来指定列名:

  1. val empFrameWithRenamedColumns = sqlContext.createDataFrame(listOfEmployees).withColumnRenamed("id", "empId")
  2. empFrameWithRenamedColumns.printSchema
  3. root
  4. |-- empId: integer (nullable = false)
  5. |-- name: string (nullable = true)

5、我们可以使用Spark支持的SQL功能来查询相关的数据。在使用这个功能之前,我们必须先对DataFrame注册成一张临时表,我们可以使用registerTempTable函数实现,如下:

  1. empFrameWithRenamedColumns.registerTempTable("employeeTable")

6、现在我们就可以使用SQL语句来查询DataFrame里面的数据了:

  1. val sortedByNameEmployees = sqlContext.sql("select * from employeeTable order by name desc")
  2. sortedByNameEmployees.show()
  3. +-----+-------+
  4. |empId|   name|
  5. +-----+-------+
  6. |    1|iteblog|
  7. |    2|  Jason|
  8. |    3|   Abhi|
  9. +-----+-------+

它如何工作的
  createDataFrame函数可以接收一切继承scala.Product类的集合对象:

  1. def createDataFrame[A <: Product : TypeTag](rdd: RDD[A]): DataFrame

而case class类就是继承了Product。我们所熟悉的TupleN类型也是继承了scala.Product类的,所以我们也可以通过TupleN来创建DataFrame:

  1. val mobiles=sqlContext.createDataFrame(Seq((1,"Android"), (2, "iPhone"))) mobiles.printSchema mobiles.show()
  2. root
  3. |-- _1: integer (nullable = false)
  4. |-- _2: string (nullable = true)
  5. +---+-------+
  6. | _1|     _2|
  7. +---+-------+
  8. |  1|Android|
  9. |  2| iPhone|
  10. +---+-------+

我们知道,Tuple2的默认两个参数名字分别是_1和_2,同样,我们如果对这个默认的名字不是特别喜欢,我们也是可以通过withColumnRenamed函数对默认反射的列名进行重命名。

三、操作DataFrame

  在前面的文章中,我们介绍了如何创建DataFrame。本文将介绍如何操作DataFrame里面的数据和打印出DataFrame里面数据的模式

打印DataFrame里面的模式
  在创建完DataFrame之后,我们一般都会查看里面数据的模式,我们可以通过printSchema函数来查看。它会打印出列的名称和类型:

  1. students.printSchema
  2. root
  3. |-- id: string (nullable = true)
  4. |-- studentName: string (nullable = true)
  5. |-- phone: string (nullable = true)
  6. |-- email: string (nullable = true)

如果采用的是load方式参见DataFrame的,students.printSchema的输出则如下:

  1. root
  2. |-- id|studentName|phone|email: string (nullable = true)

对DataFrame里面的数据进行采样
  打印完模式之后,我们要做的第二件事就是看看加载进DataFrame里面的数据是否正确。从新创建的DataFrame里面采样数据的方法有很多种。我们来对其进行介绍。

  最简单的就是使用show方法,show方法有四个版本:
  (1)、第一个需要我们指定采样的行数def show(numRows: Int);
  (2)、第二种不需要我们指定任何参数,这种情况下,show函数默认会加载出20行的数据def show();
  (3)、第三种需要指定一个boolean值,这个值说明是否需要对超过20个字符的列进行截取def show(truncate: Boolean);
  (4)、最后一种需要指定采样的行和是否需要对列进行截断def show(numRows: Int, truncate: Boolean)。实际上,前三个函数都是调用这个函数实现的。

  Show函数和其他函数不同的地方在于其不仅会显示需要打印的行,而且还会打印出头信息,并且会直接在默认的输出流打出(console)。来看看怎么使用吧:

  1. students.show()  //打印出20行
  2. +---+-----------+--------------+--------------------+
  3. | id|studentName|         phone|               email|
  4. +---+-----------+--------------+--------------------+
  5. |  1|      Burke|1-300-746-8446|ullamcorper.velit...|
  6. |  2|      Kamal|1-668-571-5046|pede.Suspendisse@...|
  7. |  3|       Olga|1-956-311-1686|Aenean.eget.metus...|
  8. |  4|      Belle|1-246-894-6340|vitae.aliquet.nec...|
  9. |  5|     Trevor|1-300-527-4967|dapibus.id@acturp...|
  10. |  6|     Laurel|1-691-379-9921|adipiscing@consec...|
  11. |  7|       Sara|1-608-140-1995|Donec.nibh@enimEt...|
  12. |  8|     Kaseem|1-881-586-2689|cursus.et.magna@e...|
  13. |  9|        Lev|1-916-367-5608|Vivamus.nisi@ipsu...|
  14. | 10|       Maya|1-271-683-2698|accumsan.convalli...|
  15. | 11|        Emi|1-467-270-1337|        est@nunc.com|
  16. | 12|      Caleb|1-683-212-0896|Suspendisse@Quisq...|
  17. | 13|   Florence|1-603-575-2444|sit.amet.dapibus@...|
  18. | 14|      Anika|1-856-828-7883|euismod@ligulaeli...|
  19. | 15|      Tarik|1-398-171-2268|turpis@felisorci.com|
  20. | 16|      Amena|1-878-250-3129|lorem.luctus.ut@s...|
  21. | 17|    Blossom|1-154-406-9596|Nunc.commodo.auct...|
  22. | 18|        Guy|1-869-521-3230|senectus.et.netus...|
  23. | 19|    Malachi|1-608-637-2772|Proin.mi.Aliquam@...|
  24. | 20|     Edward|1-711-710-6552|lectus@aliquetlib...|
  25. +---+-----------+--------------+--------------------+
  26. only showing top 20 rows
  27. students.show(15)
  28. +---+-----------+--------------+--------------------+
  29. | id|studentName|         phone|               email|
  30. +---+-----------+--------------+--------------------+
  31. |  1|      Burke|1-300-746-8446|ullamcorper.velit...|
  32. |  2|      Kamal|1-668-571-5046|pede.Suspendisse@...|
  33. |  3|       Olga|1-956-311-1686|Aenean.eget.metus...|
  34. |  4|      Belle|1-246-894-6340|vitae.aliquet.nec...|
  35. |  5|     Trevor|1-300-527-4967|dapibus.id@acturp...|
  36. |  6|     Laurel|1-691-379-9921|adipiscing@consec...|
  37. |  7|       Sara|1-608-140-1995|Donec.nibh@enimEt...|
  38. |  8|     Kaseem|1-881-586-2689|cursus.et.magna@e...|
  39. |  9|        Lev|1-916-367-5608|Vivamus.nisi@ipsu...|
  40. | 10|       Maya|1-271-683-2698|accumsan.convalli...|
  41. | 11|        Emi|1-467-270-1337|        est@nunc.com|
  42. | 12|      Caleb|1-683-212-0896|Suspendisse@Quisq...|
  43. | 13|   Florence|1-603-575-2444|sit.amet.dapibus@...|
  44. | 14|      Anika|1-856-828-7883|euismod@ligulaeli...|
  45. | 15|      Tarik|1-398-171-2268|turpis@felisorci.com|
  46. +---+-----------+--------------+--------------------+
  47. only showing top 15 rows
  48. students.show(true)
  49. +---+-----------+--------------+--------------------+
  50. | id|studentName|         phone|               email|
  51. +---+-----------+--------------+--------------------+
  52. |  1|      Burke|1-300-746-8446|ullamcorper.velit...|
  53. |  2|      Kamal|1-668-571-5046|pede.Suspendisse@...|
  54. |  3|       Olga|1-956-311-1686|Aenean.eget.metus...|
  55. |  4|      Belle|1-246-894-6340|vitae.aliquet.nec...|
  56. |  5|     Trevor|1-300-527-4967|dapibus.id@acturp...|
  57. |  6|     Laurel|1-691-379-9921|adipiscing@consec...|
  58. |  7|       Sara|1-608-140-1995|Donec.nibh@enimEt...|
  59. |  8|     Kaseem|1-881-586-2689|cursus.et.magna@e...|
  60. |  9|        Lev|1-916-367-5608|Vivamus.nisi@ipsu...|
  61. | 10|       Maya|1-271-683-2698|accumsan.convalli...|
  62. | 11|        Emi|1-467-270-1337|        est@nunc.com|
  63. | 12|      Caleb|1-683-212-0896|Suspendisse@Quisq...|
  64. | 13|   Florence|1-603-575-2444|sit.amet.dapibus@...|
  65. | 14|      Anika|1-856-828-7883|euismod@ligulaeli...|
  66. | 15|      Tarik|1-398-171-2268|turpis@felisorci.com|
  67. | 16|      Amena|1-878-250-3129|lorem.luctus.ut@s...|
  68. | 17|    Blossom|1-154-406-9596|Nunc.commodo.auct...|
  69. | 18|        Guy|1-869-521-3230|senectus.et.netus...|
  70. | 19|    Malachi|1-608-637-2772|Proin.mi.Aliquam@...|
  71. | 20|     Edward|1-711-710-6552|lectus@aliquetlib...|
  72. +---+-----------+--------------+--------------------+
  73. only showing top 20 rows
  74. students.show(false)
  75. +---+-----------+--------------+-----------------------------------------+
  76. |id |studentName|phone         |email                                    |
  77. +---+-----------+--------------+-----------------------------------------+
  78. |1  |Burke      |1-300-746-8446|ullamcorper.velit.in@ametnullaDonec.co.uk|
  79. |2  |Kamal      |1-668-571-5046|pede.Suspendisse@interdumenim.edu        |
  80. |3  |Olga       |1-956-311-1686|Aenean.eget.metus@dictumcursusNunc.edu   |
  81. |4  |Belle      |1-246-894-6340|vitae.aliquet.nec@neque.co.uk            |
  82. |5  |Trevor     |1-300-527-4967|dapibus.id@acturpisegestas.net           |
  83. |6  |Laurel     |1-691-379-9921|adipiscing@consectetueripsum.edu         |
  84. |7  |Sara       |1-608-140-1995|Donec.nibh@enimEtiamimperdiet.edu        |
  85. |8  |Kaseem     |1-881-586-2689|cursus.et.magna@euismod.org              |
  86. |9  |Lev        |1-916-367-5608|Vivamus.nisi@ipsumdolor.com              |
  87. |10 |Maya       |1-271-683-2698|accumsan.convallis@ornarelectusjusto.edu |
  88. |11 |Emi        |1-467-270-1337|est@nunc.com                             |
  89. |12 |Caleb      |1-683-212-0896|Suspendisse@Quisque.edu                  |
  90. |13 |Florence   |1-603-575-2444|sit.amet.dapibus@lacusAliquamrutrum.ca   |
  91. |14 |Anika      |1-856-828-7883|euismod@ligulaelit.co.uk                 |
  92. |15 |Tarik      |1-398-171-2268|turpis@felisorci.com                     |
  93. |16 |Amena      |1-878-250-3129|lorem.luctus.ut@scelerisque.com          |
  94. |17 |Blossom    |1-154-406-9596|Nunc.commodo.auctor@eratSed.co.uk        |
  95. |18 |Guy        |1-869-521-3230|senectus.et.netus@lectusrutrum.com       |
  96. |19 |Malachi    |1-608-637-2772|Proin.mi.Aliquam@estarcu.net             |
  97. |20 |Edward     |1-711-710-6552|lectus@aliquetlibero.co.uk               |
  98. +---+-----------+--------------+-----------------------------------------+
  99. only showing top 20 rows
  100. students.show(10,false)
  101. +---+-----------+--------------+-----------------------------------------+
  102. |id |studentName|phone         |email                                    |
  103. +---+-----------+--------------+-----------------------------------------+
  104. |1  |Burke      |1-300-746-8446|ullamcorper.velit.in@ametnullaDonec.co.uk|
  105. |2  |Kamal      |1-668-571-5046|pede.Suspendisse@interdumenim.edu        |
  106. |3  |Olga       |1-956-311-1686|Aenean.eget.metus@dictumcursusNunc.edu   |
  107. |4  |Belle      |1-246-894-6340|vitae.aliquet.nec@neque.co.uk            |
  108. |5  |Trevor     |1-300-527-4967|dapibus.id@acturpisegestas.net           |
  109. |6  |Laurel     |1-691-379-9921|adipiscing@consectetueripsum.edu         |
  110. |7  |Sara       |1-608-140-1995|Donec.nibh@enimEtiamimperdiet.edu        |
  111. |8  |Kaseem     |1-881-586-2689|cursus.et.magna@euismod.org              |
  112. |9  |Lev        |1-916-367-5608|Vivamus.nisi@ipsumdolor.com              |
  113. |10 |Maya       |1-271-683-2698|accumsan.convallis@ornarelectusjusto.edu |
  114. +---+-----------+--------------+-----------------------------------------+
  115. only showing top 10 rows

我们还可以使用head(n: Int)方法来采样数据,这个函数也需要输入一个参数标明需要采样的行数,而且这个函数返回的是Row数组,我们需要遍历打印。当然,我们也可以使用head()函数直接打印,这个函数只是返回数据的一行,类型也是Row。

  1. students.head(5).foreach(println)
  2. [1,Burke,1-300-746-8446,ullamcorper.velit.in@ametnullaDonec.co.uk]
  3. [2,Kamal,1-668-571-5046,pede.Suspendisse@interdumenim.edu]
  4. [3,Olga,1-956-311-1686,Aenean.eget.metus@dictumcursusNunc.edu]
  5. [4,Belle,1-246-894-6340,vitae.aliquet.nec@neque.co.uk]
  6. [5,Trevor,1-300-527-4967,dapibus.id@acturpisegestas.net]
  7. println(students.head())
  8. [1,Burke,1-300-746-8446,ullamcorper.velit.in@ametnullaDonec.co.uk]

除了show、head函数。我们还可以使用first和take函数,他们分别调用head()和head(n)

  1. println(students.first())
  2. [1,Burke,1-300-746-8446,ullamcorper.velit.in@ametnullaDonec.co.uk]
  3. students.take(5).foreach(println)
  4. [1,Burke,1-300-746-8446,ullamcorper.velit.in@ametnullaDonec.co.uk]
  5. [2,Kamal,1-668-571-5046,pede.Suspendisse@interdumenim.edu]
  6. [3,Olga,1-956-311-1686,Aenean.eget.metus@dictumcursusNunc.edu]
  7. [4,Belle,1-246-894-6340,vitae.aliquet.nec@neque.co.uk]
  8. [5,Trevor,1-300-527-4967,dapibus.id@acturpisegestas.net]

查询DataFrame里面的列
  正如你所看到的,所有的DataFrame里面的列都是有名称的。Select函数可以帮助我们从DataFrame中选择需要的列,并且返回一个全新的DataFrame,下面我将此进行介绍。

  1、只选择一列。假如我们只想从DataFrame中选择email这列,因为DataFrame是不可变的(immutable),所以这个操作会返回一个新的DataFrame:

  1. val emailDataFrame: DataFrame = students.select("email")

现在我们有一个名叫emailDataFrame全新的DataFrame,而且其中只包含了email这列,让我们使用show来看看是否是这样的:

  1. emailDataFrame.show(3)
  2. +--------------------+
  3. |               email|
  4. +--------------------+
  5. |ullamcorper.velit...|
  6. |pede.Suspendisse@...|
  7. |Aenean.eget.metus...|
  8. +--------------------+
  9. only showing top 3 rows

2、选择多列。其实select函数支持选择多列。

  1. val studentEmailDF = students.select("studentName", "email")
  2. studentEmailDF.show(5)
  3. +-----------+--------------------+
  4. |studentName|               email|
  5. +-----------+--------------------+
  6. |      Burke|ullamcorper.velit...|
  7. |      Kamal|pede.Suspendisse@...|
  8. |       Olga|Aenean.eget.metus...|
  9. |      Belle|vitae.aliquet.nec...|
  10. |     Trevor|dapibus.id@acturp...|
  11. +-----------+--------------------+
  12. only showing top 5 rows

需要主要的是,我们select列的时候,需要保证select的列是有效的,换句话说,就是必须保证select的列是printSchema打印出来的。如果列的名称是无效的,将会出现org.apache.spark.sql.AnalysisException异常,如下:

  1. val studentEmailDF = students.select("studentName", "iteblog")
  2. studentEmailDF.show(5)
  3. Exception in thread "main" org.apache.spark.sql.AnalysisException: cannot resolve 'iteblog' given input columns id, studentName, phone, email;

根据条件过滤数据
  现在我们已经知道如何在DataFrame中选择需要的列,让我们来看看如何根据条件来过滤DataFrame里面的数据。对应基于Row的数据,我们可以将DataFrame看作是普通的Scala集合,然后我们根据需要的条件进行相关的过滤,为了展示清楚,我在语句没后面都用show函数展示过滤的结果。

  1. students.filter("id > 5").show(7)
  2. +---+-----------+--------------+--------------------+
  3. | id|studentName|         phone|               email|
  4. +---+-----------+--------------+--------------------+
  5. |  6|     Laurel|1-691-379-9921|adipiscing@consec...|
  6. |  7|       Sara|1-608-140-1995|Donec.nibh@enimEt...|
  7. |  8|     Kaseem|1-881-586-2689|cursus.et.magna@e...|
  8. |  9|        Lev|1-916-367-5608|Vivamus.nisi@ipsu...|
  9. | 10|       Maya|1-271-683-2698|accumsan.convalli...|
  10. | 11|        Emi|1-467-270-1337|        est@nunc.com|
  11. | 12|      Caleb|1-683-212-0896|Suspendisse@Quisq...|
  12. | 13|   Florence|1-603-575-2444|sit.amet.dapibus@...|
  13. | 14|      Anika|1-856-828-7883|euismod@ligulaeli...|
  14. | 15|      Tarik|1-398-171-2268|turpis@felisorci.com|
  15. +---+-----------+--------------+--------------------+
  16. only showing top 10 rows
  17. students.filter("studentName =''").show(7)
  18. +---+-----------+--------------+--------------------+
  19. | id|studentName|         phone|               email|
  20. +---+-----------+--------------+--------------------+
  21. | 21|           |1-598-439-7549|consectetuer.adip...|
  22. | 32|           |1-184-895-9602|accumsan.laoreet@...|
  23. | 45|           |1-245-752-0481|Suspendisse.eleif...|
  24. | 83|           |1-858-810-2204|sociis.natoque@eu...|
  25. | 94|           |1-443-410-7878|Praesent.eu.nulla...|
  26. +---+-----------+--------------+--------------------+

注意看第一个过滤语句,虽然id被解析成String了,但是程序依然正确地做出了比较。我们也可以对多个条件进行过滤:

  1. students.filter("studentName ='' OR studentName = 'NULL'").show(7)
  2. +---+-----------+--------------+--------------------+
  3. | id|studentName|         phone|               email|
  4. +---+-----------+--------------+--------------------+
  5. | 21|           |1-598-439-7549|consectetuer.adip...|
  6. | 32|           |1-184-895-9602|accumsan.laoreet@...|
  7. | 33|       NULL|1-105-503-0141|Donec@Inmipede.co.uk|
  8. | 45|           |1-245-752-0481|Suspendisse.eleif...|
  9. | 83|           |1-858-810-2204|sociis.natoque@eu...|
  10. | 94|           |1-443-410-7878|Praesent.eu.nulla...|
  11. +---+-----------+--------------+--------------------+

我们还可以采用类SQL的语法对数据进行过滤:

  1. students.filter("SUBSTR(studentName,0,1) ='M'").show(7)
  2. +---+-----------+--------------+--------------------+
  3. | id|studentName|         phone|               email|
  4. +---+-----------+--------------+--------------------+
  5. | 10|       Maya|1-271-683-2698|accumsan.convalli...|
  6. | 19|    Malachi|1-608-637-2772|Proin.mi.Aliquam@...|
  7. | 24|    Marsden|1-477-629-7528|Donec.dignissim.m...|
  8. | 37|      Maggy|1-910-887-6777|facilisi.Sed.nequ...|
  9. | 61|     Maxine|1-422-863-3041|aliquet.molestie....|
  10. | 77|      Maggy|1-613-147-4380| pellentesque@mi.net|
  11. | 97|    Maxwell|1-607-205-1273|metus.In@musAenea...|
  12. +---+-----------+--------------+--------------------+
  13. only showing top 7 rows

对DataFrame里面的数据进行排序
使用sort函数我们可以对DataFrame中指定的列进行排序:

  1. students.sort(students("studentName").desc).show(7)
  2. +---+-----------+--------------+--------------------+
  3. | id|studentName|         phone|               email|
  4. +---+-----------+--------------+--------------------+
  5. | 50|      Yasir|1-282-511-4445|eget.odio.Aliquam...|
  6. | 52|       Xena|1-527-990-8606|in.faucibus.orci@...|
  7. | 86|     Xandra|1-677-708-5691|libero@arcuVestib...|
  8. | 43|     Wynter|1-440-544-1851|amet.risus.Donec@...|
  9. | 31|    Wallace|1-144-220-8159| lorem.lorem@non.net|
  10. | 66|      Vance|1-268-680-0857|pellentesque@netu...|
  11. | 41|     Tyrone|1-907-383-5293|non.bibendum.sed@...|
  12. +---+-----------+--------------+--------------------+
  13. only showing top 7 rows

也可以对多列进行排序:

  1. students.sort("studentName", "id").show(10)
  2. +---+-----------+--------------+--------------------+
  3. | id|studentName|         phone|               email|
  4. +---+-----------+--------------+--------------------+
  5. | 21|           |1-598-439-7549|consectetuer.adip...|
  6. | 32|           |1-184-895-9602|accumsan.laoreet@...|
  7. | 45|           |1-245-752-0481|Suspendisse.eleif...|
  8. | 83|           |1-858-810-2204|sociis.natoque@eu...|
  9. | 94|           |1-443-410-7878|Praesent.eu.nulla...|
  10. | 91|       Abel|1-530-527-7467|    urna@veliteu.edu|
  11. | 69|       Aiko|1-682-230-7013|turpis.vitae.puru...|
  12. | 47|       Alma|1-747-382-6775|    nec.enim@non.org|
  13. | 26|      Amela|1-526-909-2605| in@vitaesodales.edu|
  14. | 16|      Amena|1-878-250-3129|lorem.luctus.ut@s...|
  15. +---+-----------+--------------+--------------------+
  16. only showing top 10 rows

从上面的结果我们可以看出,默认是按照升序进行排序的。我们也可以将上面的语句写成下面的:

  1. students.sort(students("studentName").asc, students("id").asc).show(10)

这两个语句运行的效果是一致的。

对列进行重命名
  如果我们对DataFrame中默认的列名不感兴趣,我们可以在select的时候利用as对其进行重命名,下面的列子将studentName重命名为name,而email这列名字不变:

  1. students.select(students("studentName").as("name"), students("email")).show(10)
  2. +--------+--------------------+
  3. |    name|               email|
  4. +--------+--------------------+
  5. |   Burke|ullamcorper.velit...|
  6. |   Kamal|pede.Suspendisse@...|
  7. |    Olga|Aenean.eget.metus...|
  8. |   Belle|vitae.aliquet.nec...|
  9. |  Trevor|dapibus.id@acturp...|
  10. |  Laurel|adipiscing@consec...|
  11. |    Sara|Donec.nibh@enimEt...|
  12. |  Kaseem|cursus.et.magna@e...|
  13. |     Lev|Vivamus.nisi@ipsu...|
  14. |    Maya|accumsan.convalli...|
  15. +--------+--------------------+
  16. only showing top 10 rows

将DataFrame看作是关系型数据表
  DataFrame的一个强大之处就是我们可以将它看作是一个关系型数据表,然后在其上运行SQL查询语句,只要我们进行下面两步即可实现:
  (1)、将DataFrame注册成一张名为students的表:

  1. students.registerTempTable("students")

(2)、然后我们在其上用标准的SQL进行查询:

  1. sqlContext.sql("select * from students where studentName!='' order by email desc").show(7)
  2. +---+-----------+--------------+--------------------+
  3. | id|studentName|         phone|               email|
  4. +---+-----------+--------------+--------------------+
  5. | 87|      Selma|1-601-330-4409|vulputate.velit@p...|
  6. | 96|   Channing|1-984-118-7533|viverra.Donec.tem...|
  7. |  4|      Belle|1-246-894-6340|vitae.aliquet.nec...|
  8. | 78|       Finn|1-213-781-6969|vestibulum.massa@...|
  9. | 53|     Kasper|1-155-575-9346|velit.eget@pedeCu...|
  10. | 63|      Dylan|1-417-943-8961|vehicula.aliquet@...|
  11. | 35|     Cadman|1-443-642-5919|ut.lacus@adipisci...|
  12. +---+-----------+--------------+--------------------+
  13. only showing top 7 rows

对两个DataFrame进行Join操作
  前面我们已经知道如何将DataFrame注册成一张表,现在我们来看看如何使用普通的SQL对两个DataFrame进行Join操作。

  1、内联:内联是默认的Join操作,它仅仅返回两个DataFrame都匹配到的结果,来看看下面的例子:

  1. val students1 = sqlContext.csvFile(filePath = "E:\\StudentPrep1.csv", useHeader = true, delimiter = '|')
  2. val students2 = sqlContext.csvFile(filePath = "E:\\StudentPrep2.csv", useHeader = true, delimiter = '|')
  3. val studentsJoin = students1.join(students2, students1("id") === students2("id"))
  4. studentsJoin.show(studentsJoin.count.toInt)
  5. +---+-----------+--------------+--------------------+---+------------------+--------------+--------------------+
  6. | id|studentName|         phone|               email| id|       studentName|         phone|               email|
  7. +---+-----------+--------------+--------------------+---+------------------+--------------+--------------------+
  8. |  1|      Burke|1-300-746-8446|ullamcorper.velit...|  1|BurkeDifferentName|1-300-746-8446|ullamcorper.velit...|
  9. |  2|      Kamal|1-668-571-5046|pede.Suspendisse@...|  2|KamalDifferentName|1-668-571-5046|pede.Suspendisse@...|
  10. |  3|       Olga|1-956-311-1686|Aenean.eget.metus...|  3|              Olga|1-956-311-1686|Aenean.eget.metus...|
  11. |  4|      Belle|1-246-894-6340|vitae.aliquet.nec...|  4|BelleDifferentName|1-246-894-6340|vitae.aliquet.nec...|
  12. |  5|     Trevor|1-300-527-4967|dapibus.id@acturp...|  5|            Trevor|1-300-527-4967|dapibusDifferentE...|
  13. |  6|     Laurel|1-691-379-9921|adipiscing@consec...|  6|LaurelInvalidPhone|     000000000|adipiscing@consec...|
  14. |  7|       Sara|1-608-140-1995|Donec.nibh@enimEt...|  7|              Sara|1-608-140-1995|Donec.nibh@enimEt...|
  15. |  8|     Kaseem|1-881-586-2689|cursus.et.magna@e...|  8|            Kaseem|1-881-586-2689|cursus.et.magna@e...|
  16. |  9|        Lev|1-916-367-5608|Vivamus.nisi@ipsu...|  9|               Lev|1-916-367-5608|Vivamus.nisi@ipsu...|
  17. | 10|       Maya|1-271-683-2698|accumsan.convalli...| 10|              Maya|1-271-683-2698|accumsan.convalli...|
  18. +---+-----------+--------------+--------------------+---+------------------+--------------+--------------------+

2、右外联:在内连接的基础上,还包含右表中所有不符合条件的数据行,并在其中的左表列填写NULL ,来看看下面的实例:

  1. val studentsRightOuterJoin = students1.join(students2, students1("id") === students2("id"), "right_outer")
  2. studentsRightOuterJoin.show(studentsRightOuterJoin.count.toInt)
  3. +----+-----------+--------------+--------------------+---+--------------------+--------------+--------------------+
  4. |  id|studentName|         phone|               email| id|         studentName|         phone|               email|
  5. +----+-----------+--------------+--------------------+---+--------------------+--------------+--------------------+
  6. |   1|      Burke|1-300-746-8446|ullamcorper.velit...|  1|  BurkeDifferentName|1-300-746-8446|ullamcorper.velit...|
  7. |   2|      Kamal|1-668-571-5046|pede.Suspendisse@...|  2|  KamalDifferentName|1-668-571-5046|pede.Suspendisse@...|
  8. |   3|       Olga|1-956-311-1686|Aenean.eget.metus...|  3|                Olga|1-956-311-1686|Aenean.eget.metus...|
  9. |   4|      Belle|1-246-894-6340|vitae.aliquet.nec...|  4|  BelleDifferentName|1-246-894-6340|vitae.aliquet.nec...|
  10. |   5|     Trevor|1-300-527-4967|dapibus.id@acturp...|  5|              Trevor|1-300-527-4967|dapibusDifferentE...|
  11. |   6|     Laurel|1-691-379-9921|adipiscing@consec...|  6|  LaurelInvalidPhone|     000000000|adipiscing@consec...|
  12. |   7|       Sara|1-608-140-1995|Donec.nibh@enimEt...|  7|                Sara|1-608-140-1995|Donec.nibh@enimEt...|
  13. |   8|     Kaseem|1-881-586-2689|cursus.et.magna@e...|  8|              Kaseem|1-881-586-2689|cursus.et.magna@e...|
  14. |   9|        Lev|1-916-367-5608|Vivamus.nisi@ipsu...|  9|                 Lev|1-916-367-5608|Vivamus.nisi@ipsu...|
  15. |  10|       Maya|1-271-683-2698|accumsan.convalli...| 10|                Maya|1-271-683-2698|accumsan.convalli...|
  16. |null|       null|          null|                null|999|LevUniqueToSecondRDD|1-916-367-5608|Vivamus.nisi@ipsu...|
  17. +----+-----------+--------------+--------------------+---+--------------------+--------------+--------------------+

3、左外联:在内连接的基础上,还包含左表中所有不符合条件的数据行,并在其中的右表列填写NULL ,同样我们来看看下面的实例:

  1. val studentsLeftOuterJoin = students1.join(students2, students1("id") === students2("id"), "left_outer")
  2. studentsLeftOuterJoin.show(studentsLeftOuterJoin.count.toInt)
  3. +---+-----------+--------------+--------------------+----+------------------+--------------+--------------------+
  4. | id|studentName|         phone|               email|  id|       studentName|         phone|               email|
  5. +---+-----------+--------------+--------------------+----+------------------+--------------+--------------------+
  6. |  1|      Burke|1-300-746-8446|ullamcorper.velit...|   1|BurkeDifferentName|1-300-746-8446|ullamcorper.velit...|
  7. |  2|      Kamal|1-668-571-5046|pede.Suspendisse@...|   2|KamalDifferentName|1-668-571-5046|pede.Suspendisse@...|
  8. |  3|       Olga|1-956-311-1686|Aenean.eget.metus...|   3|              Olga|1-956-311-1686|Aenean.eget.metus...|
  9. |  4|      Belle|1-246-894-6340|vitae.aliquet.nec...|   4|BelleDifferentName|1-246-894-6340|vitae.aliquet.nec...|
  10. |  5|     Trevor|1-300-527-4967|dapibus.id@acturp...|   5|            Trevor|1-300-527-4967|dapibusDifferentE...|
  11. |  6|     Laurel|1-691-379-9921|adipiscing@consec...|   6|LaurelInvalidPhone|     000000000|adipiscing@consec...|
  12. |  7|       Sara|1-608-140-1995|Donec.nibh@enimEt...|   7|              Sara|1-608-140-1995|Donec.nibh@enimEt...|
  13. |  8|     Kaseem|1-881-586-2689|cursus.et.magna@e...|   8|            Kaseem|1-881-586-2689|cursus.et.magna@e...|
  14. |  9|        Lev|1-916-367-5608|Vivamus.nisi@ipsu...|   9|               Lev|1-916-367-5608|Vivamus.nisi@ipsu...|
  15. | 10|       Maya|1-271-683-2698|accumsan.convalli...|  10|              Maya|1-271-683-2698|accumsan.convalli...|
  16. | 11|    iteblog|        999999| iteblog@iteblog.com|null|              null|          null|                null|
  17. +---+-----------+--------------+--------------------+----+------------------+--------------+--------------------+

将DataFrame保存成文件
  下面我来介绍如何将DataFrame保存到一个文件里面。前面我们加载csv文件用到了load函数,与之对于的用于保存文件可以使用save函数。具体操作包括以下两步:

  1、首先创建一个map对象,用于存储一些save函数需要用到的一些属性。这里我将制定保存文件的存放路径和csv的头信息。

  1. val saveOptions = Map("header" -> "true", "path" -> "iteblog.csv")

为了基于学习的态度,我们从DataFrame里面选择出studentName和email两列,并且将studentName的列名重定义为name。

  1. val copyOfStudents = students.select(students("studentName").as("name"), students("email"))

2、下面我们调用save函数保存上面的DataFrame数据到iteblog.csv文件夹中

  1. copyOfStudents.write.format("com.databricks.spark.csv").mode(SaveMode.Overwrite).options(saveOptions).save()

mode函数可以接收的参数有Overwrite、Append、Ignore和ErrorIfExists。从名字就可以很好的理解,Overwrite代表覆盖目录下之前存在的数据;Append代表给指定目录下追加数据;Ignore代表如果目录下已经有文件,那就什么都不执行;ErrorIfExists代表如果保存目录下存在文件,那么抛出相应的异常。

  需要注意的是,上述path参数指定的是保存文件夹,并不是最后的保存文件名。

上一篇:mongodb安装 win7版


下一篇:LeetCode9 Palindrome Number