spark dataframe 开窗聚合计数 spark开窗函数原理

转载

mob64ca1404ed65 2023-12-03 10:45:02

文章标签 大数据 scala php java sql 文章分类 Spark 大数据

源文件内容示例：

http://bigdata.beiwang.cn/laoli
http://bigdata.beiwang.cn/laoli
http://bigdata.beiwang.cn/haiyuan
http://bigdata.beiwang.cn/haiyuan

实现代码：

object SparkSqlDemo11 {
  /**
    * 使用开窗函数，计算TopN
    * @param args
    */
  def main(args: Array[String]): Unit = {

    val session = SparkSession.builder()
      .appName(this.getClass.getSimpleName)
      .master("local")
      .getOrCreate()

    import session.implicits._

    //原数据：http://bigdata.beiwang.cn/laoli
    val sourceData = session.read.textFile("E:\\北网学习\\K_第十一个月_Spark 2（2019.8）\\8.5\\teacher.log")

    val df = sourceData.map(line => {
      val index = line.lastIndexOf("/")
      val t_name = line.substring(index + 1)

      val url = new URL(line.substring(0, index))
      val subject = url.getHost.split("\\.")(0)

      (subject, t_name)
    }).toDF("subject", "t_name")

操作01：得到所有专业下所有老师的访问数：

df.createTempView("temp")

    //获得所有学科下老师的访问量：
    val middleData: DataFrame = session.sql("select subject,t_name,count(*) cnts from temp group by subject,t_name")

    //middleData.show()

+-------+--------+----+
|subject|  t_name|cnts|
+-------+--------+----+
|bigdata|   laoli|   2|
|bigdata| haiyuan|  15|
| javaee|chenchan|   6|
|    php|  laoliu|   1|
|    php|   laoli|   3|
| javaee|  laoshi|   9|
|bigdata|  lichen|   6|
+-------+--------+----+

操作02：row_number() over()【按照老师的访问数，降序开窗】

//再将中间值middleData注册成一张表
middleData.createTempView("middleTemp")

//执行第二部查询，使用row_number()开窗函数，对所有的老师的访问数进行排序并添加编号
//开窗后生成的编号列 rn 是一个伪列，只能用于展示，不能用于查询
//row_number() over() 函数是按照某种规则对数据进行编号，需要我们在over()中指定一个排序规则，无规则将会报错
//此处是按照cnts列降序开窗
session.sql(
  """
    |select subject,t_name,cnts,row_number() over(order by cnts desc) rn from middleTemp
  """.stripMargin).show()

+-------+--------+----+---+
|subject|  t_name|cnts| rn|
+-------+--------+----+---+
|bigdata| haiyuan|  15|  1|
| javaee|  laoshi|   9|  2|
| javaee|chenchan|   6|  3|
|bigdata|  lichen|   6|  4|
|    php|   laoli|   3|  5|
|bigdata|   laoli|   2|  6|
|    php|  laoliu|   1|  7|
+-------+--------+----+---+

♈ 注意：over()内必须指定开窗规则，否则会抛出解析异常：

session.sql(
  """
    |select subject,t_name,cnts,row_number() over() rn from middleTemp
  """.stripMargin).show()

Exception in thread "main" org.apache.spark.sql.AnalysisException: Window function row_number() requires window to be ordered, please add ORDER BY clause. For example SELECT row_number()(value_expr) OVER (PARTITION BY window_partition ORDER BY window_ordering) from table;
	at org.apache.spark.sql.catalyst.analysis.CheckAnalysis$class.failAnalysis(CheckAnalysis.scala:39)
	at org.apache.spark.sql.catalyst.analysis.Analyzer.failAnalysis(Analyzer.scala:91)
	at org.apache.spark.sql.catalyst.analysis.Analyzer$ResolveWindowOrder$$anonfun$apply$31$$anonfun$applyOrElse$12.applyOrElse(Analyzer.scala:2173)
	at org.apache.spark.sql.catalyst.analysis.Analyzer$ResolveWindowOrder$$anonfun$apply$31$$anonfun$applyOrElse$12.applyOrElse(Analyzer.scala:2171)

操作03：row_number() over(partition by.. 【根据学科进行分区后为每个分区开窗】

//根据学科进行分区后为每个分区开窗
session.sql(
  """
    |select subject,t_name,cnts,row_number() over(partition by subject order by cnts desc) rn from middleTemp
  """.stripMargin).show()

+-------+--------+----+---+
|subject|  t_name|cnts| rn|
+-------+--------+----+---+
| javaee|  laoshi|   9|  1|
| javaee|chenchan|   6|  2|
|bigdata| haiyuan|  15|  1|
|bigdata|  lichen|   6|  2|
|bigdata|   laoli|   2|  3|
|    php|   laoli|   3|  1|
|    php|  laoliu|   1|  2|
+-------+--------+----+---+

♎ 注意：开窗生成的列是伪列，不能用于实际操作：

//开窗形成的列是伪列，不能用于实际操作
session.sql(
  """
    |select subject,t_name,cnts,row_number() over(partition by subject order by cnts desc) rn from middleTemp
    |where rn <=2
  """.stripMargin).show()

spark dataframe 开窗聚合计数 spark开窗函数原理_sql

操作04：伪列的使用：

由于开窗形成的伪列不能被直接用于查询，那么我们可以将整个开窗语句的操作作为一个子查询使用，那么开窗语句的结果集对于父查询来说就是一张完整的表，这时候伪列就是一个有效的列，可以用于查询：

//开窗生成的伪列不能用于直接查询，但是我们可以将开窗语句的结果集作为一张表或者说一个子查询，这时候伪列就是一个有效的列，可以进行再次嵌套查询,
session.sql(
  """
    |select * from (
    |select subject,t_name,cnts,row_number() over(partition by subject order by cnts desc) rn from middleTemp
    |) where rn <= 2
  """.stripMargin).show()

+-------+--------+----+---+
|subject|  t_name|cnts| rn|
+-------+--------+----+---+
| javaee|  laoshi|   9|  1|
| javaee|chenchan|   6|  2|
|bigdata| haiyuan|  15|  1|
|bigdata|  lichen|   6|  2|
|    php|   laoli|   3|  1|
|    php|  laoliu|   1|  2|
+-------+--------+----+---+

操作05：【开窗嵌套开窗】rank() over() 函数

在row_number() over() 分区+开窗的基础上，再次进行rank() over() 按照cnts进行全部数据的开窗

//开窗嵌套开窗：
//rank() over() 函数
session.sql(
  """
    |select t.*,rank() over(order by cnts desc) rn1 from (
    |select subject,t_name,cnts,row_number() over(partition by subject order by cnts desc) rn from middleTemp
    |) t 
    |where rn <= 2
  """.stripMargin).show()

+-------+--------+----+---+---+
|subject|  t_name|cnts| rn|rn1|
+-------+--------+----+---+---+
|bigdata| haiyuan|  15|  1|  1|
| javaee|  laoshi|   9|  1|  2|
| javaee|chenchan|   6|  2|  3|
|bigdata|  lichen|   6|  2|  3|
|    php|   laoli|   3|  1|  5|
|    php|  laoliu|   1|  2|  6|
+-------+--------+----+---+---+

操作06：dense_rank() over() 函数【三个开窗函数的业务对比】：

//dense_rank() over() 函数
//三个开窗函数的业务对比：
session.sql(
  """
    |select t.*,rank() over(order by cnts desc) rank,
    |row_number() over(order by cnts desc) row_n,
    |dense_rank() over(order by cnts desc) dense_n
    |from (
    |select subject,t_name,cnts,row_number() over(partition by subject order by cnts desc) row_n_par from middleTemp
    |) t
    |where row_n_par <= 2
  """.stripMargin).show()

+-------+--------+----+---------+----+-----+-------+
|subject|  t_name|cnts|row_n_par|rank|row_n|dense_n|
+-------+--------+----+---------+----+-----+-------+
|bigdata| haiyuan|  15|        1|   1|    1|      1|
| javaee|  laoshi|   9|        1|   2|    2|      2|
| javaee|chenchan|   6|        2|   3|    3|      3|
|bigdata|  lichen|   6|        2|   3|    4|      3|
|    php|   laoli|   3|        1|   5|    5|      4|
|    php|  laoliu|   1|        2|   6|    6|      5|
+-------+--------+----+---------+----+-----+-------+

spark dataframe 开窗聚合计数 spark开窗函数原理_php_02

操作07：整合为一句SQL完成：

//合并两个SQL语句：
session.sql(
  """
    |select t.*,rank() over(order by cnts desc) rank,
    |row_number() over(order by cnts desc) row_n,
    |dense_rank() over(order by cnts desc) dense_n
    |from
    |(select subject,t_name,cnts,row_number() over(partition by subject order by cnts desc) row_n_par from
    |(select subject,t_name,count(*) cnts from temp group by subject,t_name)) t
    |where row_n_par <= 2
  """.stripMargin).show()

+-------+--------+----+---------+----+-----+-------+
|subject|  t_name|cnts|row_n_par|rank|row_n|dense_n|
+-------+--------+----+---------+----+-----+-------+
|bigdata| haiyuan|  15|        1|   1|    1|      1|
| javaee|  laoshi|   9|        1|   2|    2|      2|
| javaee|chenchan|   6|        2|   3|    3|      3|
|bigdata|  lichen|   6|        2|   3|    4|      3|
|    php|   laoli|   3|        1|   5|    5|      4|
|    php|  laoliu|   1|        2|   6|    6|      5|
+-------+--------+----+---------+----+-----+-------+

本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。