spark dataframe派生于RDD类,但是提供了非常强大的数据操作功能。当然主要对类SQL的支持。

在实际工作中会遇到这样的情况,主要是会进行两个数据集的筛选、合并,重新入库。

首先加载数据集,然后在提取数据集的前几行过程中,才找到limit的函数。

而合并就用到union函数,重新入库,就是registerTemple注册成表,再进行写入到HIVE中。

不得不赞叹dataframe的强大。
具体示例:对文件中某一列的空值进行统计过滤,并实现一行数据映射为多行

scala> uf.filter(col("friends").isNotNull).select(col("user"),col("friends")).show(3)
+----------+--------------------+
|      user|             friends|
+----------+--------------------+
|3197468391|1346449342 387324...|
|3537982273|1491560444 395798...|
| 823183725|1484954627 195038...|
+----------+--------------------+
only showing top 3 rows


scala> uf.filter(col("friends").isNotNull).select(col("user"),col("friends")).withColumn("friends",explode(split(col("friends")," "))).show(5)
+----------+----------+
|      user|   friends|
+----------+----------+
|3197468391|1346449342|
|3197468391|3873244116|
|3197468391|4226080662|
|3197468391|1222907620|
|3197468391| 547730952|
+----------+----------+
only showing top 5 rows

最后附上dataframe的一些操作及用法:

DataFrame 的函数
Action 操作

1、 collect() ,返回值是一个数组,返回dataframe集合所有的行
 2、 collectAsList() 返回值是一个java类型的数组,返回dataframe集合所有的行
 3、 count() 返回一个number类型的,返回dataframe集合的行数
 4、 describe(cols: String*) 返回一个通过数学计算的类表值(count, mean, stddev, min, and max),这个可以传多个参数,中间用逗号分隔,如果有字段为空,那么不参与运算,只这对数值类型的字段。例如df.describe(“age”, “height”).show()
 5、 first() 返回第一行 ,类型是row类型
 6、 head() 返回第一行 ,类型是row类型
 7、 head(n:Int)返回n行 ,类型是row 类型
 8、 show()返回dataframe集合的值 默认是20行,返回类型是unit
 9、 show(n:Int)返回n行,,返回值类型是unit
 10、 table(n:Int) 返回n行 ,类型是row 类型dataframe的基本操作
 1、 cache()同步数据的内存
 2、 columns 返回一个string类型的数组,返回值是所有列的名字
 3、 dtypes返回一个string类型的二维数组,返回值是所有列的名字以及类型
 4、 explan()打印执行计划 物理的
 5、 explain(n:Boolean) 输入值为 false 或者true ,返回值是unit 默认是false ,如果输入true 将会打印 逻辑的和物理的
 6、 isLocal 返回值是Boolean类型,如果允许模式是local返回true 否则返回false
 7、 persist(newlevel:StorageLevel) 返回一个dataframe.this.type 输入存储模型类型
 8、 printSchema() 打印出字段名称和类型 按照树状结构来打印
 9、 registerTempTable(tablename:String) 返回Unit ,将df的对象只放在一张表里面,这个表随着对象的删除而删除了
 10、 schema 返回structType 类型,将字段名称和类型按照结构体类型返回
 11、 toDF()返回一个新的dataframe类型的
 12、 toDF(colnames:String*)将参数中的几个字段返回一个新的dataframe类型的,
 13、 unpersist() 返回dataframe.this.type 类型,去除模式中的数据
 14、 unpersist(blocking:Boolean)返回dataframe.this.type类型 true 和unpersist是一样的作用false 是去除RDD

集成查询:

1、 agg(expers:column*) 返回dataframe类型 ,同数学计算求值
 df.agg(max(“age”), avg(“salary”))
 df.groupBy().agg(max(“age”), avg(“salary”))
 2、 agg(exprs: Map[String, String]) 返回dataframe类型 ,同数学计算求值 map类型的
 df.agg(Map(“age” -> “max”, “salary” -> “avg”))
 df.groupBy().agg(Map(“age” -> “max”, “salary” -> “avg”))
 3、 agg(aggExpr: (String, String), aggExprs: (String, String)) 返回dataframe类型 ,同数学计算求值
 df.agg(Map(“age” -> “max”, “salary” -> “avg”))
 df.groupBy().agg(Map(“age” -> “max”, “salary” -> “avg”))
 4、 apply(colName: String) 返回column类型,捕获输入进去列的对象
 5、 as(alias: String) 返回一个新的dataframe类型,就是原来的一个别名
 6、 col(colName: String) 返回column类型,捕获输入进去列的对象
 7、 cube(col1: String, cols: String) 返回一个GroupedData类型,根据某些字段来汇总
 8、 distinct 去重 返回一个dataframe类型
 9、 drop(col: Column) 删除某列 返回dataframe类型
 10、 dropDuplicates(colNames: Array[String]) 删除相同的列 返回一个dataframe
 11、 except(other: DataFrame) 返回一个dataframe,返回在当前集合存在的在其他集合不存在的
 12、 explode[A, B](inputColumn: String, outputColumn: String)(f: (A) ⇒ TraversableOnce[B])(implicit arg0: scala.reflect.api.JavaUniverse.TypeTag[B]) 返回值是dataframe类型,这个 将一个字段进行更多行的拆分
 df.explode(“name”,“names”) {name :String=> name.split(" ")}.show();
 将name字段根据空格来拆分,拆分的字段放在names里面
 13、 filter(conditionExpr: String): 刷选部分数据,返回dataframe类型 df.filter(“age>10”).show(); df.filter(df(“age”)>10).show(); df.where(df(“age”)>10).show(); 都可以
 14、 groupBy(col1: String, cols: String*) 根据某写字段来汇总返回groupedate类型 df.groupBy(“age”).agg(Map(“age” ->“count”)).show();df.groupBy(“age”).avg().show();都可以
 15、 intersect(other: DataFrame) 返回一个dataframe,在2个dataframe都存在的元素
 16、 join(right: DataFrame, joinExprs: Column, joinType: String)
 一个是关联的dataframe,第二个关联的条件,第三个关联的类型:inner, outer, left_outer, right_outer, leftsemi
 df.join(ds,df(“name”)===ds(“name”) and df(“age”)===ds(“age”),“outer”).show();
 17、 limit(n: Int) 返回dataframe类型 去n 条数据出来
 18、 na: DataFrameNaFunctions ,可以调用dataframenafunctions的功能区做过滤 df.na.drop().show(); 删除为空的行
 19、 orderBy(sortExprs: Column*) 做alise排序
 20、 select(cols:string*) dataframe 做字段的刷选 df.select($“colA”, $“colB” + 1)
 21、 selectExpr(exprs: String*) 做字段的刷选 df.selectExpr(“name”,“name as names”,“upper(name)”,“age+1”).show();
 22、 sort(sortExprs: Column*) 排序 df.sort(df(“age”).desc).show(); 默认是asc
 23、 unionAll(other:Dataframe) 合并 df.unionAll(ds).show();
 24、 withColumnRenamed(existingName: String, newName: String) 修改列表 df.withColumnRenamed(“name”,“names”).show();
 25、 withColumn(colName: String, col: Column) 增加一列 df.withColumn(“aa”,df(“name”)).show();