Spark DataFrames入门指南：创建和操作DataFrame

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：

 

1

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：

1

2

3

4

5

<dependency>

    <groupid>com.databricks</groupid>

    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：

1

2

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：

1

val sc = newSparkContext(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：

1

val sqlContext=newSQLContext(sc)

8、现在我们就可以加载事先准备好的数据了：

1

2

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：

1

2

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：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

id|studentName|phone|email

1|Burke|1-300-746-8446|[e-mail]

2|Kamal|1-668-571-5046|[e-mail]

3|Olga|1-956-311-1686|[e-mail]

4|Belle|1-246-894-6340|[e-mail]

5|Trevor|1-300-527-4967|[e-mail]

6|Laurel|1-691-379-9921|[e-mail]

7|Sara|1-608-140-1995|[e-mail]

8|Kaseem|1-881-586-2689|[e-mail]

9|Lev|1-916-367-5608|[e-mail]

10|Maya|1-271-683-2698|[e-mail]

11|Emi|1-467-270-1337|[e-mail]

12|Caleb|1-683-212-0896|[e-mail]

13|Florence|1-603-575-2444|[e-mail]

14|Anika|1-856-828-7883|[e-mail]

15|Tarik|1-398-171-2268|[e-mail]

16|Amena|1-878-250-3129|[e-mail]

17|Blossom|1-154-406-9596|[e-mail]

18|Guy|1-869-521-3230|[e-mail]

19|Malachi|1-608-637-2772|[e-mail]

20|Edward|1-711-710-6552|[e-mail]

 

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：

1

case class Employee(id: Int, name: String)

和先前一样，我们分别定义SparkConf、SparkContext以及SQLContext：

1

2

3

val conf = new SparkConf().setAppName("colRowDataFrame"). setMaster("local[2]")

val sc = newSparkContext(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：

1

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。

1

2

3

4

5

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：

1

2

3

4

5

6

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：

1

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：

1

2

3

4

5

6

7

8

9

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:

1

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：

1

2

3

4

5

6

7

8

9

10

11

12

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：

 

1

2

3

4

5

6

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：

 

1

2

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：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

68

69

70

71

72

73

74

75

76

77

78

79

80

81

82

83

84

85

86

87

88

89

90

91

92

93

94

95

96

97

98

99

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

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|pede.Suspendisse@...|

|  3|       Olga|1-956-311-1686|Aenean.eget.metus...|

|  4|      Belle|1-246-894-6340|vitae.aliquet.nec...|

|  5|     Trevor|1-300-527-4967|dapibus.id@acturp...|

|  6|     Laurel|1-691-379-9921|adipiscing@consec...|

|  7|       Sara|1-608-140-1995|Donec.nibh@enimEt...|

|  8|     Kaseem|1-881-586-2689|cursus.et.magna@e...|

|  9|        Lev|1-916-367-5608|Vivamus.nisi@ipsu...|

| 10|       Maya|1-271-683-2698|accumsan.convalli...|

| 11|        Emi|1-467-270-1337|        [e-mail]|

| 12|      Caleb|1-683-212-0896|Suspendisse@Quisq...|

| 13|   Florence|1-603-575-2444|sit.amet.dapibus@...|

| 14|      Anika|1-856-828-7883|euismod@ligulaeli...|

| 15|      Tarik|1-398-171-2268|[e-mail]|

| 16|      Amena|1-878-250-3129|lorem.luctus.ut@s...|

| 17|    Blossom|1-154-406-9596|Nunc.commodo.auct...|

| 18|        Guy|1-869-521-3230|senectus.et.netus...|

| 19|    Malachi|1-608-637-2772|Proin.mi.Aliquam@...|

| 20|     Edward|1-711-710-6552|lectus@aliquetlib...|

+---+-----------+--------------+--------------------+

only showing top20rows

students.show(15)

+---+-----------+--------------+--------------------+

| id|studentName|         phone|               email|

+---+-----------+--------------+--------------------+

|  1|      Burke|1-300-746-8446|ullamcorper.velit...|

|  2|      Kamal|1-668-571-5046|pede.Suspendisse@...|

|  3|       Olga|1-956-311-1686|Aenean.eget.metus...|

|  4|      Belle|1-246-894-6340|vitae.aliquet.nec...|

|  5|     Trevor|1-300-527-4967|dapibus.id@acturp...|

|  6|     Laurel|1-691-379-9921|adipiscing@consec...|

|  7|       Sara|1-608-140-1995|Donec.nibh@enimEt...|

|  8|     Kaseem|1-881-586-2689|cursus.et.magna@e...|

|  9|        Lev|1-916-367-5608|Vivamus.nisi@ipsu...|

| 10|       Maya|1-271-683-2698|accumsan.convalli...|

| 11|        Emi|1-467-270-1337|        [e-mail]|

| 12|      Caleb|1-683-212-0896|Suspendisse@Quisq...|

| 13|   Florence|1-603-575-2444|sit.amet.dapibus@...|

| 14|      Anika|1-856-828-7883|euismod@ligulaeli...|

| 15|      Tarik|1-398-171-2268|[e-mail]|

+---+-----------+--------------+--------------------+

only showing top15rows

 

students.show(true)

+---+-----------+--------------+--------------------+

| id|studentName|         phone|               email|

+---+-----------+--------------+--------------------+

|  1|      Burke|1-300-746-8446|ullamcorper.velit...|

|  2|      Kamal|1-668-571-5046|pede.Suspendisse@...|

|  3|       Olga|1-956-311-1686|Aenean.eget.metus...|

|  4|      Belle|1-246-894-6340|vitae.aliquet.nec...|

|  5|     Trevor|1-300-527-4967|dapibus.id@acturp...|

|  6|     Laurel|1-691-379-9921|adipiscing@consec...|

|  7|       Sara|1-608-140-1995|Donec.nibh@enimEt...|

|  8|     Kaseem|1-881-586-2689|cursus.et.magna@e...|

|  9|        Lev|1-916-367-5608|Vivamus.nisi@ipsu...|

| 10|       Maya|1-271-683-2698|accumsan.convalli...|

| 11|        Emi|1-467-270-1337|        [e-mail]|

| 12|      Caleb|1-683-212-0896|Suspendisse@Quisq...|

| 13|   Florence|1-603-575-2444|sit.amet.dapibus@...|

| 14|      Anika|1-856-828-7883|euismod@ligulaeli...|

| 15|      Tarik|1-398-171-2268|[e-mail]|

| 16|      Amena|1-878-250-3129|lorem.luctus.ut@s...|

| 17|    Blossom|1-154-406-9596|Nunc.commodo.auct...|

| 18|        Guy|1-869-521-3230|senectus.et.netus...|

| 19|    Malachi|1-608-637-2772|Proin.mi.Aliquam@...|

| 20|     Edward|1-711-710-6552|lectus@aliquetlib...|

+---+-----------+--------------+--------------------+

only showing top20rows

 

students.show(false)

+---+-----------+--------------+-----------------------------------------+

|id |studentName|phone         |email                                    |

+---+-----------+--------------+-----------------------------------------+

|1 |Burke      |1-300-746-8446|[e-mail]|

|2 |Kamal      |1-668-571-5046|[e-mail]        |

|3 |Olga       |1-956-311-1686|[e-mail]   |

|4 |Belle      |1-246-894-6340|[e-mail]            |

|5 |Trevor     |1-300-527-4967|[e-mail]           |

|6 |Laurel     |1-691-379-9921|[e-mail]         |

|7 |Sara       |1-608-140-1995|[e-mail]        |

|8 |Kaseem     |1-881-586-2689|[e-mail]              |

|9 |Lev        |1-916-367-5608|[e-mail]              |

|10|Maya       |1-271-683-2698|[e-mail] |

|11|Emi        |1-467-270-1337|[e-mail]                             |

|12|Caleb      |1-683-212-0896|[e-mail]                  |

|13|Florence   |1-603-575-2444|[e-mail]   |

|14|Anika      |1-856-828-7883|[e-mail]                 |

|15|Tarik      |1-398-171-2268|[e-mail]                     |

|16|Amena      |1-878-250-3129|[e-mail]          |

|17|Blossom    |1-154-406-9596|[e-mail]        |

|18|Guy        |1-869-521-3230|[e-mail]       |

|19|Malachi    |1-608-637-2772|[e-mail]             |

|20|Edward     |1-711-710-6552|[e-mail]               |

+---+-----------+--------------+-----------------------------------------+

only showing top20rows

 

students.show(10,false)

 

+---+-----------+--------------+-----------------------------------------+

|id |studentName|phone         |email                                    |

+---+-----------+--------------+-----------------------------------------+

|1 |Burke      |1-300-746-8446|[e-mail]|

|2 |Kamal      |1-668-571-5046|[e-mail]        |

|3 |Olga       |1-956-311-1686|[e-mail]   |

|4 |Belle      |1-246-894-6340|[e-mail]            |

|5 |Trevor     |1-300-527-4967|[e-mail]           |

|6 |Laurel     |1-691-379-9921|[e-mail]         |

|7 |Sara       |1-608-140-1995|[e-mail]        |

|8 |Kaseem     |1-881-586-2689|[e-mail]              |

|9 |Lev        |1-916-367-5608|[e-mail]              |

|10|Maya       |1-271-683-2698|[e-mail] |

+---+-----------+--------------+-----------------------------------------+

only showing top10rows

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。

1

2

3

4

5

6

7

8

students.head(5).foreach(println)

[1,Burke,1-300-746-8446,[e-mail]]

[2,Kamal,1-668-571-5046,[e-mail]]

[3,Olga,1-956-311-1686,[e-mail]]

[4,Belle,1-246-894-6340,[e-mail]]

[5,Trevor,1-300-527-4967,[e-mail]]

println(students.head())

[1,Burke,1-300-746-8446,[e-mail]]

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)

1

2

3

4

5

6

7

8

println(students.first())

[1,Burke,1-300-746-8446,[e-mail]]

students.take(5).foreach(println)

[1,Burke,1-300-746-8446,[e-mail]]

[2,Kamal,1-668-571-5046,[e-mail]]

[3,Olga,1-956-311-1686,[e-mail]]

[4,Belle,1-246-894-6340,[e-mail]]

[5,Trevor,1-300-527-4967,[e-mail]]

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：

1

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：

 

1

2

3

4

5

6

7

8

9

emailDataFrame.show(3)

+--------------------+

|               email|

+--------------------+

|ullamcorper.velit...|

|pede.Suspendisse@...|

|Aenean.eget.metus...|

+--------------------+

only showing top 3 rows

2、选择多列。其实select函数支持选择多列。

1

2

3

4

5

6

7

8

9

10

11

12

val studentEmailDF = students.select("studentName","email")

studentEmailDF.show(5)

+-----------+--------------------+

|studentName|               email|

+-----------+--------------------+

|      Burke|ullamcorper.velit...|

|      Kamal|pede.Suspendisse@...|

|       Olga|Aenean.eget.metus...|

|      Belle|vitae.aliquet.nec...|

|     Trevor|dapibus.id@acturp...|

+-----------+--------------------+

only showing top5rows

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：

1

2

3

4

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。

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

students.filter("id > 5").show(7)

+---+-----------+--------------+--------------------+

| id|studentName|         phone|               email|

+---+-----------+--------------+--------------------+

|  6|     Laurel|1-691-379-9921|adipiscing@consec...|

|  7|       Sara|1-608-140-1995|Donec.nibh@enimEt...|

|  8|     Kaseem|1-881-586-2689|cursus.et.magna@e...|

|  9|        Lev|1-916-367-5608|Vivamus.nisi@ipsu...|

| 10|       Maya|1-271-683-2698|accumsan.convalli...|

| 11|        Emi|1-467-270-1337|        [e-mail]|

| 12|      Caleb|1-683-212-0896|Suspendisse@Quisq...|

| 13|   Florence|1-603-575-2444|sit.amet.dapibus@...|

| 14|      Anika|1-856-828-7883|euismod@ligulaeli...|

| 15|      Tarik|1-398-171-2268|[e-mail]|

+---+-----------+--------------+--------------------+

only showing top10rows

 

students.filter("studentName =''").show(7)

+---+-----------+--------------+--------------------+

| id|studentName|         phone|               email|

+---+-----------+--------------+--------------------+

| 21|           |1-598-439-7549|consectetuer.adip...|

| 32|           |1-184-895-9602|accumsan.laoreet@...|

| 45|           |1-245-752-0481|Suspendisse.eleif...|

| 83|           |1-858-810-2204|sociis.natoque@eu...|

| 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：

1

2

3

4

5

6

7

8

9

10

11

students.filter("studentName ='' OR studentName = 'NULL'").show(7)

+---+-----------+--------------+--------------------+

| id|studentName|         phone|               email|

+---+-----------+--------------+--------------------+

| 21|           |1-598-439-7549|consectetuer.adip...|

| 32|           |1-184-895-9602|accumsan.laoreet@...|

| 33|       NULL|1-105-503-0141|[e-mail]|

| 45|           |1-245-752-0481|Suspendisse.eleif...|

| 83|           |1-858-810-2204|sociis.natoque@eu...|

| 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：

1

2

3

4

5

6

7

8

9

10

11

12

13

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|Proin.mi.Aliquam@...|

| 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| [e-mail]|

| 97|    Maxwell|1-607-205-1273|metus.In@musAenea...|

+---+-----------+--------------+--------------------+

only showing top7rows

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：

1

2

3

4

5

6

7

8

9

10

11

12

13

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|in.faucibus.orci@...|

| 86|     Xandra|1-677-708-5691|libero@arcuVestib...|

| 43|     Wynter|1-440-544-1851|amet.risus.Donec@...|

| 31|    Wallace|1-144-220-8159| [e-mail]|

| 66|      Vance|1-268-680-0857|pellentesque@netu...|

| 41|     Tyrone|1-907-383-5293|non.bibendum.sed@...|

+---+-----------+--------------+--------------------+

only showing top7rows

也可以对多列进行排序：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

students.sort("studentName","id").show(10)

+---+-----------+--------------+--------------------+

| id|studentName|         phone|               email|

+---+-----------+--------------+--------------------+

| 21|           |1-598-439-7549|consectetuer.adip...|

| 32|           |1-184-895-9602|accumsan.laoreet@...|

| 45|           |1-245-752-0481|Suspendisse.eleif...|

| 83|           |1-858-810-2204|sociis.natoque@eu...|

| 94|           |1-443-410-7878|Praesent.eu.nulla...|

| 91|       Abel|1-530-527-7467|    [e-mail]|

| 69|       Aiko|1-682-230-7013|turpis.vitae.puru...|

| 47|       Alma|1-747-382-6775|    [e-mail]|

| 26|      Amela|1-526-909-2605| [e-mail]|

| 16|      Amena|1-878-250-3129|lorem.luctus.ut@s...|

+---+-----------+--------------+--------------------+

only showing top10rows

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：

1

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：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

students.select(students("studentName").as("name"), students("email")).show(10)

+--------+--------------------+

|    name|               email|

+--------+--------------------+

|   Burke|ullamcorper.velit...|

|   Kamal|pede.Suspendisse@...|

|    Olga|Aenean.eget.metus...|

|   Belle|vitae.aliquet.nec...|

|  Trevor|dapibus.id@acturp...|

|  Laurel|adipiscing@consec...|

|    Sara|Donec.nibh@enimEt...|

|  Kaseem|cursus.et.magna@e...|

|     Lev|Vivamus.nisi@ipsu...|

|    Maya|accumsan.convalli...|

+--------+--------------------+

only showing top10rows

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：

1

students.registerTempTable("students")

（2）、然后我们在其上用标准的SQL进行查询：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

sqlContext.sql("select * from students where studentName!='' order by email desc").show(7)

 

+---+-----------+--------------+--------------------+

| id|studentName|         phone|               email|

+---+-----------+--------------+--------------------+

| 87|      Selma|1-601-330-4409|vulputate.velit@p...|

| 96|   Channing|1-984-118-7533|viverra.Donec.tem...|

|  4|      Belle|1-246-894-6340|vitae.aliquet.nec...|

| 78|       Finn|1-213-781-6969|vestibulum.massa@...|

| 53|     Kasper|1-155-575-9346|velit.eget@pedeCu...|

| 63|      Dylan|1-417-943-8961|vehicula.aliquet@...|

| 35|     Cadman|1-443-642-5919|ut.lacus@adipisci...|

+---+-----------+--------------+--------------------+

only showing top7rows

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：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

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|pede.Suspendisse@...| 2|KamalDifferentName|1-668-571-5046|pede.Suspendisse@...|

|  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|dapibus.id@acturp...| 5|            Trevor|1-300-527-4967|dapibusDifferentE...|

|  6|     Laurel|1-691-379-9921|adipiscing@consec...| 6|LaurelInvalidPhone|    000000000|adipiscing@consec...|

|  7|       Sara|1-608-140-1995|Donec.nibh@enimEt...| 7|              Sara|1-608-140-1995|Donec.nibh@enimEt...|

|  8|     Kaseem|1-881-586-2689|cursus.et.magna@e...| 8|            Kaseem|1-881-586-2689|cursus.et.magna@e...|

|  9|        Lev|1-916-367-5608|Vivamus.nisi@ipsu...| 9|               Lev|1-916-367-5608|Vivamus.nisi@ipsu...|

| 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：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

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|pede.Suspendisse@...| 2|  KamalDifferentName|1-668-571-5046|pede.Suspendisse@...|

|   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|dapibus.id@acturp...| 5|              Trevor|1-300-527-4967|dapibusDifferentE...|

|   6|     Laurel|1-691-379-9921|adipiscing@consec...| 6|  LaurelInvalidPhone|    000000000|adipiscing@consec...|

|   7|       Sara|1-608-140-1995|Donec.nibh@enimEt...| 7|                Sara|1-608-140-1995|Donec.nibh@enimEt...|

|   8|     Kaseem|1-881-586-2689|cursus.et.magna@e...| 8|              Kaseem|1-881-586-2689|cursus.et.magna@e...|

|   9|        Lev|1-916-367-5608|Vivamus.nisi@ipsu...| 9|                 Lev|1-916-367-5608|Vivamus.nisi@ipsu...|

|  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|Vivamus.nisi@ipsu...|

+----+-----------+--------------+--------------------+---+--------------------+--------------+--------------------+

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：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

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|pede.Suspendisse@...|  2|KamalDifferentName|1-668-571-5046|pede.Suspendisse@...|

|  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|dapibus.id@acturp...|  5|            Trevor|1-300-527-4967|dapibusDifferentE...|

|  6|     Laurel|1-691-379-9921|adipiscing@consec...|  6|LaurelInvalidPhone|    000000000|adipiscing@consec...|

|  7|       Sara|1-608-140-1995|Donec.nibh@enimEt...|  7|              Sara|1-608-140-1995|Donec.nibh@enimEt...|

|  8|     Kaseem|1-881-586-2689|cursus.et.magna@e...|  8|            Kaseem|1-881-586-2689|cursus.et.magna@e...|

|  9|        Lev|1-916-367-5608|Vivamus.nisi@ipsu...|  9|               Lev|1-916-367-5608|Vivamus.nisi@ipsu...|

| 10|       Maya|1-271-683-2698|accumsan.convalli...| 10|              Maya|1-271-683-2698|accumsan.convalli...|

| 11|    iteblog|       999999| [e-mail]|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。

1

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。

1

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

1

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。