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:
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:
<dependency> <groupid>com.databricks</groupid> <artifactid>spark-csv_2.10</artifactid> <version>1.3.0</version> </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:
import org.apache.spark.SparkConf 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:
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:
val sqlContext=new SQLContext(sc)
8、现在我们就可以加载事先准备好的数据了:
import com.databricks.spark.csv._ 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:
val options = Map("header" -> "true", "path" -> "E:\\StudentData.csv") 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:
id|studentName|phone|email 1|Burke|1-300-746-8446|[email protected] 2|Kamal|1-668-571-5046|[email protected] 3|Olga|1-956-311-1686|[email protected] 4|Belle|1-246-894-6340|[email protected] 5|Trevor|1-300-527-4967|[email protected] 6|Laurel|1-691-379-9921|[email protected] 7|Sara|1-608-140-1995|[email protected] 8|Kaseem|1-881-586-2689|[email protected] 9|Lev|1-916-367-5608|[email protected] 10|Maya|1-271-683-2698|[email protected] 11|Emi|1-467-270-1337|[email protected] 12|Caleb|1-683-212-0896|[email protected] 13|Florence|1-603-575-2444|[email protected] 14|Anika|1-856-828-7883|[email protected] 15|Tarik|1-398-171-2268|[email protected] 16|Amena|1-878-250-3129|[email protected] 17|Blossom|1-154-406-9596|[email protected] 18|Guy|1-869-521-3230|[email protected] 19|Malachi|1-608-637-2772|[email protected] 20|Edward|1-711-710-6552|[email protected]
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:
case class Employee(id: Int, name: String)
和先前一样,我们分别定义SparkConf、SparkContext以及SQLContext:
val conf = new SparkConf().setAppName("colRowDataFrame"). setMaster("local[2]") val sc = new SparkContext(conf) 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:
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。
val empFrame = sqlContext.createDataFrame(listOfEmployees) empFrame.printSchema root |-- id: integer (nullable = false) |-- 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:
val empFrameWithRenamedColumns = sqlContext.createDataFrame(listOfEmployees).withColumnRenamed("id", "empId") empFrameWithRenamedColumns.printSchema root |-- empId: integer (nullable = false) |-- 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:
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:
val sortedByNameEmployees = sqlContext.sql("select * from employeeTable order by name desc") sortedByNameEmployees.show() +-----+-------+ |empId| name| +-----+-------+ | 1|iteblog| | 2| Jason| | 3| Abhi| +-----+-------+
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:
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:
val mobiles=sqlContext.createDataFrame(Seq((1,"Android"), (2, "iPhone"))) mobiles.printSchema mobiles.show() root |-- _1: integer (nullable = false) |-- _2: string (nullable = true) +---+-------+ | _1| _2| +---+-------+ | 1|Android| | 2| iPhone| +---+-------+
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:
students.printSchema root |-- id: string (nullable = true) |-- studentName: string (nullable = true) |-- phone: string (nullable = true) |-- 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:
root |-- 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:
students.show() //打印出20行 +---+-----------+--------------+--------------------+ | id|studentName| phone| email| +---+-----------+--------------+--------------------+ | 1| Burke|1-300-746-8446|ullamcorper.velit...| | 2| Kamal|1-668-571-5046|[email protected]| | 3| Olga|1-956-311-1686|Aenean.eget.metus...| | 4| Belle|1-246-894-6340|vitae.aliquet.nec...| | 5| Trevor|1-300-527-4967|[email protected]| | 6| Laurel|1-691-379-9921|[email protected]| | 7| Sara|1-608-140-1995|[email protected]| | 8| Kaseem|1-881-586-2689|[email protected]| | 9| Lev|1-916-367-5608|[email protected]| | 10| Maya|1-271-683-2698|accumsan.convalli...| | 11| Emi|1-467-270-1337| [email protected]| | 12| Caleb|1-683-212-0896|[email protected]| | 13| Florence|1-603-575-2444|[email protected]| | 14| Anika|1-856-828-7883|[email protected]| | 15| Tarik|1-398-171-2268|[email protected]| | 16| Amena|1-878-250-3129|[email protected]| | 17| Blossom|1-154-406-9596|Nunc.commodo.auct...| | 18| Guy|1-869-521-3230|senectus.et.netus...| | 19| Malachi|1-608-637-2772|[email protected]| | 20| Edward|1-711-710-6552|[email protected]| +---+-----------+--------------+--------------------+ only showing top 20 rows students.show(15) +---+-----------+--------------+--------------------+ | id|studentName| phone| email| +---+-----------+--------------+--------------------+ | 1| Burke|1-300-746-8446|ullamcorper.velit...| | 2| Kamal|1-668-571-5046|[email protected]| | 3| Olga|1-956-311-1686|Aenean.eget.metus...| | 4| Belle|1-246-894-6340|vitae.aliquet.nec...| | 5| Trevor|1-300-527-4967|[email protected]| | 6| Laurel|1-691-379-9921|[email protected]| | 7| Sara|1-608-140-1995|[email protected]| | 8| Kaseem|1-881-586-2689|[email protected]| | 9| Lev|1-916-367-5608|[email protected]| | 10| Maya|1-271-683-2698|accumsan.convalli...| | 11| Emi|1-467-270-1337| [email protected]| | 12| Caleb|1-683-212-0896|[email protected]| | 13| Florence|1-603-575-2444|[email protected]| | 14| Anika|1-856-828-7883|[email protected]| | 15| Tarik|1-398-171-2268|[email protected]| +---+-----------+--------------+--------------------+ only showing top 15 rows students.show(true) +---+-----------+--------------+--------------------+ | id|studentName| phone| email| +---+-----------+--------------+--------------------+ | 1| Burke|1-300-746-8446|ullamcorper.velit...| | 2| Kamal|1-668-571-5046|[email protected]| | 3| Olga|1-956-311-1686|Aenean.eget.metus...| | 4| Belle|1-246-894-6340|vitae.aliquet.nec...| | 5| Trevor|1-300-527-4967|[email protected]| | 6| Laurel|1-691-379-9921|[email protected]| | 7| Sara|1-608-140-1995|[email protected]| | 8| Kaseem|1-881-586-2689|[email protected]| | 9| Lev|1-916-367-5608|[email protected]| | 10| Maya|1-271-683-2698|accumsan.convalli...| | 11| Emi|1-467-270-1337| [email protected]| | 12| Caleb|1-683-212-0896|[email protected]| | 13| Florence|1-603-575-2444|[email protected]| | 14| Anika|1-856-828-7883|[email protected]| | 15| Tarik|1-398-171-2268|[email protected]| | 16| Amena|1-878-250-3129|[email protected]| | 17| Blossom|1-154-406-9596|Nunc.commodo.auct...| | 18| Guy|1-869-521-3230|senectus.et.netus...| | 19| Malachi|1-608-637-2772|[email protected]| | 20| Edward|1-711-710-6552|[email protected]| +---+-----------+--------------+--------------------+ only showing top 20 rows students.show(false) +---+-----------+--------------+-----------------------------------------+ |id |studentName|phone |email | +---+-----------+--------------+-----------------------------------------+ |1 |Burke |1-300-746-8446|[email protected]| |2 |Kamal |1-668-571-5046|[email protected] | |3 |Olga |1-956-311-1686|[email protected] | |4 |Belle |1-246-894-6340|[email protected] | |5 |Trevor |1-300-527-4967|[email protected] | |6 |Laurel |1-691-379-9921|[email protected] | |7 |Sara |1-608-140-1995|[email protected] | |8 |Kaseem |1-881-586-2689|[email protected] | |9 |Lev |1-916-367-5608|[email protected] | |10 |Maya |1-271-683-2698|[email protected] | |11 |Emi |1-467-270-1337|[email protected] | |12 |Caleb |1-683-212-0896|[email protected] | |13 |Florence |1-603-575-2444|[email protected] | |14 |Anika |1-856-828-7883|[email protected] | |15 |Tarik |1-398-171-2268|[email protected] | |16 |Amena |1-878-250-3129|[email protected] | |17 |Blossom |1-154-406-9596|[email protected] | |18 |Guy |1-869-521-3230|[email protected] | |19 |Malachi |1-608-637-2772|[email protected] | |20 |Edward |1-711-710-6552|[email protected] | +---+-----------+--------------+-----------------------------------------+ only showing top 20 rows students.show(10,false) +---+-----------+--------------+-----------------------------------------+ |id |studentName|phone |email | +---+-----------+--------------+-----------------------------------------+ |1 |Burke |1-300-746-8446|[email protected]| |2 |Kamal |1-668-571-5046|[email protected] | |3 |Olga |1-956-311-1686|[email protected] | |4 |Belle |1-246-894-6340|[email protected] | |5 |Trevor |1-300-527-4967|[email protected] | |6 |Laurel |1-691-379-9921|[email protected] | |7 |Sara |1-608-140-1995|[email protected] | |8 |Kaseem |1-881-586-2689|[email protected] | |9 |Lev |1-916-367-5608|[email protected] | |10 |Maya |1-271-683-2698|[email protected] | +---+-----------+--------------+-----------------------------------------+ 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。
students.head(5).foreach(println) [1,Burke,1-300-746-8446,[email protected]] [2,Kamal,1-668-571-5046,[email protected]] [3,Olga,1-956-311-1686,[email protected]] [4,Belle,1-246-894-6340,[email protected]] [5,Trevor,1-300-527-4967,[email protected]] println(students.head()) [1,Burke,1-300-746-8446,[email protected]]
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)
println(students.first()) [1,Burke,1-300-746-8446,[email protected]] students.take(5).foreach(println) [1,Burke,1-300-746-8446,[email protected]] [2,Kamal,1-668-571-5046,[email protected]] [3,Olga,1-956-311-1686,[email protected]] [4,Belle,1-246-894-6340,[email protected]] [5,Trevor,1-300-527-4967,[email protected]]
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:
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:
emailDataFrame.show(3) +--------------------+ | email| +--------------------+ |ullamcorper.velit...| |[email protected]| |Aenean.eget.metus...| +--------------------+ only showing top 3 rows
2、选择多列。其实select函数支持选择多列。
val studentEmailDF = students.select("studentName", "email") studentEmailDF.show(5) +-----------+--------------------+ |studentName| email| +-----------+--------------------+ | Burke|ullamcorper.velit...| | Kamal|[email protected]| | Olga|Aenean.eget.metus...| | Belle|vitae.aliquet.nec...| | Trevor|[email protected]| +-----------+--------------------+ 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:
val studentEmailDF = students.select("studentName", "iteblog") studentEmailDF.show(5) 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。
students.filter("id > 5").show(7) +---+-----------+--------------+--------------------+ | id|studentName| phone| email| +---+-----------+--------------+--------------------+ | 6| Laurel|1-691-379-9921|[email protected]| | 7| Sara|1-608-140-1995|[email protected]| | 8| Kaseem|1-881-586-2689|[email protected]| | 9| Lev|1-916-367-5608|[email protected]| | 10| Maya|1-271-683-2698|accumsan.convalli...| | 11| Emi|1-467-270-1337| [email protected]| | 12| Caleb|1-683-212-0896|[email protected]| | 13| Florence|1-603-575-2444|[email protected]| | 14| Anika|1-856-828-7883|[email protected]| | 15| Tarik|1-398-171-2268|[email protected]| +---+-----------+--------------+--------------------+ only showing top 10 rows students.filter("studentName =''").show(7) +---+-----------+--------------+--------------------+ | id|studentName| phone| email| +---+-----------+--------------+--------------------+ | 21| |1-598-439-7549|consectetuer.adip...| | 32| |1-184-895-9602|[email protected]| | 45| |1-245-752-0481|Suspendisse.eleif...| | 83| |1-858-810-2204|[email protected]| | 94| |1-443-410-7878|Praesent.eu.nulla...| +---+-----------+--------------+--------------------+
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:
students.filter("studentName ='' OR studentName = 'NULL'").show(7) +---+-----------+--------------+--------------------+ | id|studentName| phone| email| +---+-----------+--------------+--------------------+ | 21| |1-598-439-7549|consectetuer.adip...| | 32| |1-184-895-9602|[email protected]| | 33| NULL|1-105-503-0141|[email protected]| | 45| |1-245-752-0481|Suspendisse.eleif...| | 83| |1-858-810-2204|[email protected]| | 94| |1-443-410-7878|Praesent.eu.nulla...| +---+-----------+--------------+--------------------+
我们还可以采用类SQL的语法对数据进行过滤:
students.filter("SUBSTR(studentName,0,1) ='M'").show(7) +---+-----------+--------------+--------------------+ | id|studentName| phone| email| +---+-----------+--------------+--------------------+ | 10| Maya|1-271-683-2698|accumsan.convalli...| | 19| Malachi|1-608-637-2772|[email protected]| | 24| Marsden|1-477-629-7528|Donec.dignissim.m...| | 37| Maggy|1-910-887-6777|facilisi.Sed.nequ...| | 61| Maxine|1-422-863-3041|aliquet.molestie....| | 77| Maggy|1-613-147-4380| [email protected]| | 97| Maxwell|1-607-205-1273|[email protected]| +---+-----------+--------------+--------------------+ 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:
students.sort(students("studentName").desc).show(7) +---+-----------+--------------+--------------------+ | id|studentName| phone| email| +---+-----------+--------------+--------------------+ | 50| Yasir|1-282-511-4445|eget.odio.Aliquam...| | 52| Xena|1-527-990-8606|[email protected]| | 86| Xandra|1-677-708-5691|[email protected]| | 43| Wynter|1-440-544-1851|[email protected]| | 31| Wallace|1-144-220-8159| [email protected]| | 66| Vance|1-268-680-0857|[email protected]| | 41| Tyrone|1-907-383-5293|[email protected]| +---+-----------+--------------+--------------------+ only showing top 7 rows
也可以对多列进行排序:
students.sort("studentName", "id").show(10) +---+-----------+--------------+--------------------+ | id|studentName| phone| email| +---+-----------+--------------+--------------------+ | 21| |1-598-439-7549|consectetuer.adip...| | 32| |1-184-895-9602|[email protected]| | 45| |1-245-752-0481|Suspendisse.eleif...| | 83| |1-858-810-2204|[email protected]| | 94| |1-443-410-7878|Praesent.eu.nulla...| | 91| Abel|1-530-527-7467| [email protected]| | 69| Aiko|1-682-230-7013|turpis.vitae.puru...| | 47| Alma|1-747-382-6775| [email protected]| | 26| Amela|1-526-909-2605| [email protected]| | 16| Amena|1-878-250-3129|[email protected]| +---+-----------+--------------+--------------------+ 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:
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:
students.select(students("studentName").as("name"), students("email")).show(10) +--------+--------------------+ | name| email| +--------+--------------------+ | Burke|ullamcorper.velit...| | Kamal|[email protected]| | Olga|Aenean.eget.metus...| | Belle|vitae.aliquet.nec...| | Trevor|[email protected]| | Laurel|[email protected]| | Sara|[email protected]| | Kaseem|[email protected]| | Lev|[email protected]| | Maya|accumsan.convalli...| +--------+--------------------+ 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:
students.registerTempTable("students")
(2)、然后我们在其上用标准的SQL进行查询:
sqlContext.sql("select * from students where studentName!='' order by email desc").show(7) +---+-----------+--------------+--------------------+ | id|studentName| phone| email| +---+-----------+--------------+--------------------+ | 87| Selma|1-601-330-4409|[email protected]| | 96| Channing|1-984-118-7533|viverra.Donec.tem...| | 4| Belle|1-246-894-6340|vitae.aliquet.nec...| | 78| Finn|1-213-781-6969|[email protected]| | 53| Kasper|1-155-575-9346|[email protected]| | 63| Dylan|1-417-943-8961|[email protected]| | 35| Cadman|1-443-642-5919|[email protected]| +---+-----------+--------------+--------------------+ 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:
val students1 = sqlContext.csvFile(filePath = "E:\\StudentPrep1.csv", useHeader = true, delimiter = '|') val students2 = sqlContext.csvFile(filePath = "E:\\StudentPrep2.csv", useHeader = true, delimiter = '|') val studentsJoin = students1.join(students2, students1("id") === students2("id")) studentsJoin.show(studentsJoin.count.toInt) +---+-----------+--------------+--------------------+---+------------------+--------------+--------------------+ | id|studentName| phone| email| id| studentName| phone| email| +---+-----------+--------------+--------------------+---+------------------+--------------+--------------------+ | 1| Burke|1-300-746-8446|ullamcorper.velit...| 1|BurkeDifferentName|1-300-746-8446|ullamcorper.velit...| | 2| Kamal|1-668-571-5046|[email protected]| 2|KamalDifferentName|1-668-571-5046|[email protected]| | 3| Olga|1-956-311-1686|Aenean.eget.metus...| 3| Olga|1-956-311-1686|Aenean.eget.metus...| | 4| Belle|1-246-894-6340|vitae.aliquet.nec...| 4|BelleDifferentName|1-246-894-6340|vitae.aliquet.nec...| | 5| Trevor|1-300-527-4967|[email protected]| 5| Trevor|1-300-527-4967|dapibusDifferentE...| | 6| Laurel|1-691-379-9921|[email protected]| 6|LaurelInvalidPhone| 000000000|[email protected]| | 7| Sara|1-608-140-1995|[email protected]| 7| Sara|1-608-140-1995|[email protected]| | 8| Kaseem|1-881-586-2689|[email protected]| 8| Kaseem|1-881-586-2689|[email protected]| | 9| Lev|1-916-367-5608|[email protected]| 9| Lev|1-916-367-5608|[email protected]| | 10| Maya|1-271-683-2698|accumsan.convalli...| 10| Maya|1-271-683-2698|accumsan.convalli...| +---+-----------+--------------+--------------------+---+------------------+--------------+--------------------+
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:
val studentsRightOuterJoin = students1.join(students2, students1("id") === students2("id"), "right_outer") studentsRightOuterJoin.show(studentsRightOuterJoin.count.toInt) +----+-----------+--------------+--------------------+---+--------------------+--------------+--------------------+ | id|studentName| phone| email| id| studentName| phone| email| +----+-----------+--------------+--------------------+---+--------------------+--------------+--------------------+ | 1| Burke|1-300-746-8446|ullamcorper.velit...| 1| BurkeDifferentName|1-300-746-8446|ullamcorper.velit...| | 2| Kamal|1-668-571-5046|[email protected]| 2| KamalDifferentName|1-668-571-5046|[email protected]| | 3| Olga|1-956-311-1686|Aenean.eget.metus...| 3| Olga|1-956-311-1686|Aenean.eget.metus...| | 4| Belle|1-246-894-6340|vitae.aliquet.nec...| 4| BelleDifferentName|1-246-894-6340|vitae.aliquet.nec...| | 5| Trevor|1-300-527-4967|[email protected]| 5| Trevor|1-300-527-4967|dapibusDifferentE...| | 6| Laurel|1-691-379-9921|[email protected]| 6| LaurelInvalidPhone| 000000000|[email protected]| | 7| Sara|1-608-140-1995|[email protected]| 7| Sara|1-608-140-1995|[email protected]| | 8| Kaseem|1-881-586-2689|[email protected]| 8| Kaseem|1-881-586-2689|[email protected]| | 9| Lev|1-916-367-5608|[email protected]| 9| Lev|1-916-367-5608|[email protected]| | 10| Maya|1-271-683-2698|accumsan.convalli...| 10| Maya|1-271-683-2698|accumsan.convalli...| |null| null| null| null|999|LevUniqueToSecondRDD|1-916-367-5608|[email protected]| +----+-----------+--------------+--------------------+---+--------------------+--------------+--------------------+
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:
val studentsLeftOuterJoin = students1.join(students2, students1("id") === students2("id"), "left_outer") studentsLeftOuterJoin.show(studentsLeftOuterJoin.count.toInt) +---+-----------+--------------+--------------------+----+------------------+--------------+--------------------+ | id|studentName| phone| email| id| studentName| phone| email| +---+-----------+--------------+--------------------+----+------------------+--------------+--------------------+ | 1| Burke|1-300-746-8446|ullamcorper.velit...| 1|BurkeDifferentName|1-300-746-8446|ullamcorper.velit...| | 2| Kamal|1-668-571-5046|[email protected]| 2|KamalDifferentName|1-668-571-5046|[email protected]| | 3| Olga|1-956-311-1686|Aenean.eget.metus...| 3| Olga|1-956-311-1686|Aenean.eget.metus...| | 4| Belle|1-246-894-6340|vitae.aliquet.nec...| 4|BelleDifferentName|1-246-894-6340|vitae.aliquet.nec...| | 5| Trevor|1-300-527-4967|[email protected]| 5| Trevor|1-300-527-4967|dapibusDifferentE...| | 6| Laurel|1-691-379-9921|[email protected]| 6|LaurelInvalidPhone| 000000000|[email protected]| | 7| Sara|1-608-140-1995|[email protected]| 7| Sara|1-608-140-1995|[email protected]| | 8| Kaseem|1-881-586-2689|[email protected]| 8| Kaseem|1-881-586-2689|[email protected]| | 9| Lev|1-916-367-5608|[email protected]| 9| Lev|1-916-367-5608|[email protected]| | 10| Maya|1-271-683-2698|accumsan.convalli...| 10| Maya|1-271-683-2698|accumsan.convalli...| | 11| iteblog| 999999| [email protected]|null| null| null| null| +---+-----------+--------------+--------------------+----+------------------+--------------+--------------------+
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。
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。
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
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。