一, 简单聚合
1.1 数据准备
- // 需要导入 spark sql 内置的函数包
- import org.apache.spark.sql.functions._
- val spark = SparkSession.builder().appName("aggregations").master("local[2]").getOrCreate()
- val empDF = spark.read.JSON("/usr/file/json/emp.json")
- // 注册为临时视图, 用于后面演示 SQL 查询
- empDF.createOrReplaceTempView("emp")
- empDF.show()
注: emp.JSON 可以从本仓库的 目录下载.
- 1.2 count
- // 计算员工人数
- empDF.select(count("ename")).show()
- 1.3 countDistinct
- // 计算姓名不重复的员工人数
- empDF.select(countDistinct("deptno")).show()
- 1.4 approx_count_distinct
通常在使用大型数据集时, 你可能关注的只是近似值而不是准确值, 这时可以使用 approx_count_distinct 函数, 并可以使用第二个参数指定最大允许误差.
- empDF.select(approx_count_distinct ("ename",0.1)).show()
- 1.5 first & last
获取 DataFrame 中指定列的第一个值或者最后一个值.
- empDF.select(first("ename"),last("job")).show()
- 1.6 min & max
获取 DataFrame 中指定列的最小值或者最大值.
- empDF.select(min("sal"),max("sal")).show()
- 1.7 sum & sumDistinct
求和以及求指定列所有不相同的值的和.
- empDF.select(sum("sal")).show()
- empDF.select(sumDistinct("sal")).show()
- 1.8 avg
内置的求平均数的函数.
empDF.select(avg("sal")).show()
1.9 数学函数
Spark SQL 中还支持多种数学聚合函数, 用于通常的数学计算, 以下是一些常用的例子:
- // 1. 计算总体方差, 均方差, 总体标准差, 样本标准差
- empDF.select(var_pop("sal"), var_samp("sal"), stddev_pop("sal"), stddev_samp("sal")).show()
- // 2. 计算偏度和峰度
- empDF.select(skewness("sal"), kurtosis("sal")).show()
- // 3. 计算两列的皮尔逊相关系数, 样本协方差, 总体协方差.(这里只是演示, 员工编号和薪资两列实际上并没有什么关联关系)
- empDF.select(corr("empno", "sal"), covar_samp("empno", "sal"),covar_pop("empno", "sal")).show()
1.10 聚合数据到集合
scala> empDF.agg(collect_set("job"), collect_list("ename")).show()
输出:
- +--------------------+--------------------+
- | collect_set(job)| collect_list(ename)|
- +--------------------+--------------------+
- |[MANAGER, SALESMA...|[SMITH, ALLEN, WA...|
- +--------------------+--------------------+
二, 分组聚合
2.1 简单分组
- empDF.groupBy("deptno", "job").count().show()
- // 等价 SQL
- spark.sql("SELECT deptno, job, count(*) FROM emp GROUP BY deptno, job").show()
输出:
- +------+---------+-----+
- |deptno| job|count|
- +------+---------+-----+
- | 10|PRESIDENT| 1|
- | 30| CLERK| 1|
- | 10| MANAGER| 1|
- | 30| MANAGER| 1|
- | 20| CLERK| 2|
- | 30| SALESMAN| 4|
- | 20| ANALYST| 2|
- | 10| CLERK| 1|
- | 20| MANAGER| 1|
- +------+---------+-----+
2.2 分组聚合
- empDF.groupBy("deptno").agg(count("ename").alias("人数"), sum("sal").alias("总工资")).show()
- // 等价语法
- empDF.groupBy("deptno").agg("ename"->"count","sal"->"sum").show()
- // 等价 SQL
- spark.sql("SELECT deptno, count(ename) ,sum(sal) FROM emp GROUP BY deptno").show()
输出:
+------+----+------+
|deptno | 人数 | 总工资 |
- +------+----+------+
- | 10| 3|8750.0|
- | 30| 6|9400.0|
- | 20| 5|9375.0|
- +------+----+------+
三, 自定义聚合函数
Scala 提供了两种自定义聚合函数的方法, 分别如下:
有类型的自定义聚合函数, 主要适用于 DataSet;
无类型的自定义聚合函数, 主要适用于 DataFrame.
以下分别使用两种方式来自定义一个求平均值的聚合函数, 这里以计算员工平均工资为例. 两种自定义方式分别如下:
3.1 有类型的自定义函数
- import org.apache.spark.sql.expressions.Aggregator
- import org.apache.spark.sql.{Encoder, Encoders, SparkSession, functions}
- // 1. 定义员工类, 对于可能存在 null 值的字段需要使用 Option 进行包装
- case class Emp(ename: String, comm: scala.Option[Double], deptno: Long, empno: Long,
- hiredate: String, job: String, mgr: scala.Option[Long], sal: Double)
- // 2. 定义聚合操作的中间输出类型
- case class SumAndCount(var sum: Double, var count: Long)
- /* 3. 自定义聚合函数
- * @IN 聚合操作的输入类型
- * @BUF reduction 操作输出值的类型
- * @OUT 聚合操作的输出类型
- */
- object MyAverage extends Aggregator[Emp, SumAndCount, Double] {
- // 4. 用于聚合操作的的初始零值
- override def zero: SumAndCount = SumAndCount(0, 0)
- // 5. 同一分区中的 reduce 操作
- override def reduce(avg: SumAndCount, emp: Emp): SumAndCount = {
- avg.sum += emp.sal
- avg.count += 1
- avg
- }
- // 6. 不同分区中的 merge 操作
- override def merge(avg1: SumAndCount, avg2: SumAndCount): SumAndCount = {
- avg1.sum += avg2.sum
- avg1.count += avg2.count
- avg1
- }
- // 7. 定义最终的输出类型
- override def finish(reduction: SumAndCount): Double = reduction.sum / reduction.count
- // 8. 中间类型的编码转换
- override def bufferEncoder: Encoder[SumAndCount] = Encoders.product
- // 9. 输出类型的编码转换
- override def outputEncoder: Encoder[Double] = Encoders.scalaDouble
- }
- object SparkSqlApp {
- // 测试方法
- def main(args: Array[String]): Unit = {
- val spark = SparkSession.builder().appName("Spark-SQL").master("local[2]").getOrCreate()
- import spark.implicits._
- val ds = spark.read.JSON("file/emp.json").as[Emp]
- // 10. 使用内置 avg() 函数和自定义函数分别进行计算, 验证自定义函数是否正确
- val myAvg = ds.select(MyAverage.toColumn.name("average_sal")).first()
- val avg = ds.select(functions.avg(ds.col("sal"))).first().get(0)
- println("自定义 average 函数 :" + myAvg)
- println("内置的 average 函数 :" + avg)
- }
- }
自定义聚合函数需要实现的方法比较多, 这里以绘图的方式来演示其执行流程, 以及每个方法的作用:
关于 zero,reduce,merge,finish 方法的作用在上图都有说明, 这里解释一下中间类型和输出类型的编码转换, 这个写法比较固定, 基本上就是两种情况:
自定义类型 Case Class 或者元组就使用 Encoders.product 方法;
基本类型就使用其对应名称的方法, 如 scalaByte,scalaFloat,scalaShort 等, 示例如下:
- override def bufferEncoder: Encoder[SumAndCount] = Encoders.product
- override def outputEncoder: Encoder[Double] = Encoders.scalaDouble
3.2 无类型的自定义聚合函数
理解了有类型的自定义聚合函数后, 无类型的定义方式也基本相同, 代码如下:
- import org.apache.spark.sql.expressions.{MutableAggregationBuffer, UserDefinedAggregateFunction}
- import org.apache.spark.sql.types._
- import org.apache.spark.sql.{Row, SparkSession}
- object MyAverage extends UserDefinedAggregateFunction {
- // 1. 聚合操作输入参数的类型, 字段名称可以自定义
- def inputSchema: StructType = StructType(StructField("MyInputColumn", LongType) :: Nil)
- // 2. 聚合操作中间值的类型, 字段名称可以自定义
- def bufferSchema: StructType = {
- StructType(StructField("sum", LongType) :: StructField("MyCount", LongType) :: Nil)
- }
- // 3. 聚合操作输出参数的类型
- def dataType: DataType = DoubleType
- // 4. 此函数是否始终在相同输入上返回相同的输出, 通常为 true
- def deterministic: Boolean = true
- // 5. 定义零值
- def initialize(buffer: MutableAggregationBuffer): Unit = {
- buffer(0) = 0L
- buffer(1) = 0L
- }
- // 6. 同一分区中的 reduce 操作
- def update(buffer: MutableAggregationBuffer, input: Row): Unit = {
- if (!input.isNullAt(0)) {
- buffer(0) = buffer.getLong(0) + input.getLong(0)
- buffer(1) = buffer.getLong(1) + 1
- }
- }
- // 7. 不同分区中的 merge 操作
- def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {
- buffer1(0) = buffer1.getLong(0) + buffer2.getLong(0)
- buffer1(1) = buffer1.getLong(1) + buffer2.getLong(1)
- }
- // 8. 计算最终的输出值
- def evaluate(buffer: Row): Double = buffer.getLong(0).toDouble / buffer.getLong(1)
- }
- object SparkSqlApp {
- // 测试方法
- def main(args: Array[String]): Unit = {
- val spark = SparkSession.builder().appName("Spark-SQL").master("local[2]").getOrCreate()
- // 9. 注册自定义的聚合函数
- spark.udf.register("myAverage", MyAverage)
- val df = spark.read.JSON("file/emp.json")
- df.createOrReplaceTempView("emp")
- // 10. 使用自定义函数和内置函数分别进行计算
- val myAvg = spark.sql("SELECT myAverage(sal) as avg_sal FROM emp").first()
- val avg = spark.sql("SELECT avg(sal) as avg_sal FROM emp").first()
- println("自定义 average 函数 :" + myAvg)
- println("内置的 average 函数 :" + avg)
- }
- }
参考资料
Matei Zaharia, Bill Chambers . Spark: The Definitive Guide[M] . 2018-02
更多大数据系列文章可以参见 GitHub 开源项目: 大数据入门指南 https://github.com/heibaiying/BigData-Notes
来源: https://www.cnblogs.com/heibaiying/p/11349790.html