当前位置: 首页 > news >正文

Spark SQL开发实战:从IDEA环境搭建到UDF/UDAF自定义函数实现

利用IDEA开发Spark-SQL
1、创建子模块Spark-SQL,并添加依赖
<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-sql_2.12</artifactId>
    <version>3.0.0</version>
</dependency>
3、创建Spark-SQL的测试代码:
import org.apache.spark.SparkConf
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, Dataset, Row, SparkSession}

case class User(id: Int, name: String, age: Int)

object value20 {
  def main(args: Array[String]): Unit = {
    // 创建上下文环境配置对象
    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("SQLDemo")
    // 创建SparkSession对象
    val spark: SparkSession = SparkSession.builder().config(sparkConf).getOrCreate()

    import spark.implicits._

    try {
      // 读取json文件
      val df: DataFrame = spark.read.json("Spark-SQL/input/user.json")
      df.show()
      // SQL风格语法
      df.createOrReplaceTempView("user")
      spark.sql("select * from user").show()
      spark.sql("select avg(age) from user").show()

      // DSL风格语法
      df.select("username", "age").show()

      // RDD=>DataFrame=>DataSet
      // RDD
      val rdd1: RDD[(Int, String, Int)] = spark.sparkContext.makeRDD(
        List((1, "zhangsan", 30), (2, "lisi", 40))
      )
      // DataFrame
      val df1: DataFrame = rdd1.toDF("id", "name", "age")
      df1.show()
      //DataSet
      val ds1: Dataset[User] = df1.as[User]
      ds1.show()

      // DataSet=>DataFrame=>RDD
      val df2 = ds1.toDF()
      df2.show()

      val rdd2: RDD[Row] = df2.rdd
      rdd2.foreach(a => println(a.getString(1)))

      rdd1.map {
        case (id, name, age) => User(id, name, age)
      }.toDS().show()

      val rdd3 = ds1.rdd
      rdd3.foreach { a =>
        println(a.age)
        println(a.id)
        println(a.name)
      }
    } catch {
      case e: Exception =>
        println(s"发生异常: ${e.getMessage}")
    } finally {
      spark.stop()
    }
  }
}

自定义函数:
UDF:
import org.apache.spark.sql.SparkSession

object value21 {
  def main(args: Array[String]): Unit = {
    // 创建SparkConf对象
    val sparkConf = new org.apache.spark.SparkConf()
     .setMaster("local[*]")
     .setAppName("SQLDemo")

    // 创建SparkSession对象
    val spark = SparkSession.builder()
     .config(sparkConf)
     .getOrCreate()

    import spark.implicits._

    // 读取json文件
    val df = spark.read.json("Spark-SQL/input/user.json")

    // 注册UDF
    spark.udf.register("addName", (x: String) => "Name:" + x)

    df.createOrReplaceTempView("people")
    spark.sql("select addName(username), age from people").show()

    spark.stop()
  }
}
UDAF(自定义聚合函数)
强类型的 Dataset 和弱类型的 DataFrame 都提供了相关的聚合函数, 如 count(),
countDistinct(),avg(),max(),min()。除此之外,用户可以设定自己的自定义聚合函数。Spark3.0之前我们使用的是UserDefinedAggregateFunction作为自定义聚合函数,从 Spark3.0 版本后可以统一采用强类型聚合函数 Aggregator

实验需求:计算平均工资
实现方式一:RDD
import org.apache.spark.{SparkConf, SparkContext}

object value22 {
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf()
     .setAppName("app")
     .setMaster("local[*]")
    val sc = new SparkContext(sparkConf)

    val resRDD = sc.parallelize(List(("zhangsan", 20), ("lisi", 30), ("wangwu", 40)))
     .map {
        case (name, salary) => (salary, 1)
      }
     .reduce {
        case ((t1Salary, t1Count), (t2Salary, t2Count)) =>
          (t1Salary + t2Salary, t1Count + t2Count)
      }

    println(resRDD._1 / resRDD._2.toDouble)

    sc.stop()
  }
}

实现方式二:强类型UDAF
import org.apache.spark.sql.Encoder
import org.apache.spark.sql.expressions.Aggregator
import org.apache.spark.sql.Encoders
import org.apache.spark.sql.functions
import org.apache.spark.sql.SparkSession
import org.apache.spark.SparkConf

case class Buff(var sum: Long, var cnt: Long)

class MyAverageUDAF extends Aggregator[Long, Buff, Double] {
  override def zero: Buff = Buff(0, 0)

  override def reduce(b: Buff, a: Long): Buff = {
    b.sum += a
    b.cnt += 1
    b
  }

  override def merge(b1: Buff, b2: Buff): Buff = {
    b1.sum += b2.sum
    b1.cnt += b2.cnt
    b1
  }

  override def finish(reduction: Buff): Double = {
    reduction.sum.toDouble / reduction.cnt
  }

  override def bufferEncoder: Encoder[Buff] = Encoders.product
  override def outputEncoder: Encoder[Double] = Encoders.scalaDouble
}

object value23 {
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("app").setMaster("local[*]")
    val spark = SparkSession.builder().config(sparkConf).getOrCreate()

    import spark.implicits._
    val res = spark.sparkContext.makeRDD(List(("zhangsan", 20), ("lisi", 30), ("wangwu", 40)))
    val df = res.toDF("name", "salary")
    df.createOrReplaceTempView("user")

    val myAverage = new MyAverageUDAF
    spark.udf.register("avgSalary", functions.udaf(myAverage))
    spark.sql("select avgSalary(salary) from user").show()

    spark.stop()
  }
}

http://www.xdnf.cn/news/170983.html

相关文章:

  • 《TVM模式匹配实战:从DFPatternNode到DFPattern的高级用法》
  • OceanBase数据库-学习笔记2-C#/C++程序如何访问
  • C++如何使用调试器(如GDB、LLDB)进行程序调试保姆级教程(2万字长文)
  • 使用 Autofac 实现依赖注入
  • 嵌入式软件--stm32 DAY 4 中断系统
  • Linux日志处理命令多管道实战应用
  • Python爬虫实战:获取网yi云音乐飙升榜的歌曲数据并作分析,为歌单推荐做参考
  • Spark SQL核心概念与编程实战:从DataFrame到DataSet的结构化数据处理
  • 《一键式江湖:Docker Compose中间件部署108式》开篇:告别“配置地狱”,从此笑傲云原生武林!》
  • python+adafruit_pca9685 测试舵机存储当前角度
  • 知识体系_数据量纲化处理方式
  • PWN基础-利用格式化字符串漏洞泄露canary结合栈溢出getshell
  • 神经网络笔记 - 神经网络
  • 东田数码科技前端面经
  • 运算符分为哪几类?哪些运算符常用作判断?简述运算符的优先级
  • 电池的寿命
  • 参数规模:衡量大语言模型体量的标尺
  • 【Java面试笔记:进阶】23.请介绍类加载过程,什么是双亲委派模型?
  • NEPCON China 2025 | 具身智能时代来临,灵途科技助力人形机器人“感知升级”
  • Spring MVC深度解析:从原理到实战
  • 进程与线程-----C语言经典题目(8)
  • Net版本Spire.doc 最新版去水印
  • OpenCV进阶操作:图像金字塔
  • Django(快速上手版)
  • IDEA中使用Git
  • 物联网相关
  • 【仿Mudou库one thread per loop式并发服务器实现】服务器边缘测试+性能测试
  • 强制缓存vs协商缓存
  • pycharm无法创建venv虚拟环境
  • Web安全:威胁解析与综合防护体系构建