欢迎关注Hadoop、Spark、Flink、Hive、Hbase、Flume等大数据资料分享微信公共账号:iteblog_hadoop
  1. 文章总数:978
  2. 浏览总数:11,981,063
  3. 评论:3939
  4. 分类目录:106 个
  5. 注册用户数:6130
  6. 最后更新:2018年12月15日
过往记忆博客公众号iteblog_hadoop
欢迎关注微信公众号:
iteblog_hadoop
大数据技术博客公众号bigdata_ai
大数据猿:
bigdata_ai

Apache Spark DataFrames入门指南:操作DataFrame

  本系列文章翻译自:《scala data analysis cookbook》第二章:Getting Started with Apache Spark DataFrames。原书是基于Spark 1.4.1编写的,我这里使用的是Spark 1.6.0,丢弃了一些已经标记为遗弃的函数。并且修正了其中的错误。
  一、从csv文件创建DataFrame
    如何做?
    如何工作的
    附录
  二、操作DataFrame
    打印DataFrame里面的模式
    对DataFrame里面的数据进行采样
    查询DataFrame里面的列
    根据条件过滤数据
    对DataFrame里面的数据进行排序
    对列进行重命名
    将DataFrame看作是关系型数据表
    对两个DataFrame进行Join操作
    将DataFrame保存成文件
三、从Scala case class中创建DataFrame
    如何做?
    如何工作的
    附录

二、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|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|        est@nunc.com|
| 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|turpis@felisorci.com|
| 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 top 20 rows
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|        est@nunc.com|
| 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|turpis@felisorci.com|
+---+-----------+--------------+--------------------+
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|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|        est@nunc.com|
| 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|turpis@felisorci.com|
| 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 top 20 rows

students.show(false)
+---+-----------+--------------+-----------------------------------------+
|id |studentName|phone         |email                                    |
+---+-----------+--------------+-----------------------------------------+
|1  |Burke      |1-300-746-8446|ullamcorper.velit.in@ametnullaDonec.co.uk|
|2  |Kamal      |1-668-571-5046|pede.Suspendisse@interdumenim.edu        |
|3  |Olga       |1-956-311-1686|Aenean.eget.metus@dictumcursusNunc.edu   |
|4  |Belle      |1-246-894-6340|vitae.aliquet.nec@neque.co.uk            |
|5  |Trevor     |1-300-527-4967|dapibus.id@acturpisegestas.net           |
|6  |Laurel     |1-691-379-9921|adipiscing@consectetueripsum.edu         |
|7  |Sara       |1-608-140-1995|Donec.nibh@enimEtiamimperdiet.edu        |
|8  |Kaseem     |1-881-586-2689|cursus.et.magna@euismod.org              |
|9  |Lev        |1-916-367-5608|Vivamus.nisi@ipsumdolor.com              |
|10 |Maya       |1-271-683-2698|accumsan.convallis@ornarelectusjusto.edu |
|11 |Emi        |1-467-270-1337|est@nunc.com                             |
|12 |Caleb      |1-683-212-0896|Suspendisse@Quisque.edu                  |
|13 |Florence   |1-603-575-2444|sit.amet.dapibus@lacusAliquamrutrum.ca   |
|14 |Anika      |1-856-828-7883|euismod@ligulaelit.co.uk                 |
|15 |Tarik      |1-398-171-2268|turpis@felisorci.com                     |
|16 |Amena      |1-878-250-3129|lorem.luctus.ut@scelerisque.com          |
|17 |Blossom    |1-154-406-9596|Nunc.commodo.auctor@eratSed.co.uk        |
|18 |Guy        |1-869-521-3230|senectus.et.netus@lectusrutrum.com       |
|19 |Malachi    |1-608-637-2772|Proin.mi.Aliquam@estarcu.net             |
|20 |Edward     |1-711-710-6552|lectus@aliquetlibero.co.uk               |
+---+-----------+--------------+-----------------------------------------+
only showing top 20 rows

students.show(10,false)

+---+-----------+--------------+-----------------------------------------+
|id |studentName|phone         |email                                    |
+---+-----------+--------------+-----------------------------------------+
|1  |Burke      |1-300-746-8446|ullamcorper.velit.in@ametnullaDonec.co.uk|
|2  |Kamal      |1-668-571-5046|pede.Suspendisse@interdumenim.edu        |
|3  |Olga       |1-956-311-1686|Aenean.eget.metus@dictumcursusNunc.edu   |
|4  |Belle      |1-246-894-6340|vitae.aliquet.nec@neque.co.uk            |
|5  |Trevor     |1-300-527-4967|dapibus.id@acturpisegestas.net           |
|6  |Laurel     |1-691-379-9921|adipiscing@consectetueripsum.edu         |
|7  |Sara       |1-608-140-1995|Donec.nibh@enimEtiamimperdiet.edu        |
|8  |Kaseem     |1-881-586-2689|cursus.et.magna@euismod.org              |
|9  |Lev        |1-916-367-5608|Vivamus.nisi@ipsumdolor.com              |
|10 |Maya       |1-271-683-2698|accumsan.convallis@ornarelectusjusto.edu |
+---+-----------+--------------+-----------------------------------------+
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,ullamcorper.velit.in@ametnullaDonec.co.uk]
[2,Kamal,1-668-571-5046,pede.Suspendisse@interdumenim.edu]
[3,Olga,1-956-311-1686,Aenean.eget.metus@dictumcursusNunc.edu]
[4,Belle,1-246-894-6340,vitae.aliquet.nec@neque.co.uk]
[5,Trevor,1-300-527-4967,dapibus.id@acturpisegestas.net]
println(students.head())
[1,Burke,1-300-746-8446,ullamcorper.velit.in@ametnullaDonec.co.uk]

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,ullamcorper.velit.in@ametnullaDonec.co.uk]
students.take(5).foreach(println)
[1,Burke,1-300-746-8446,ullamcorper.velit.in@ametnullaDonec.co.uk]
[2,Kamal,1-668-571-5046,pede.Suspendisse@interdumenim.edu]
[3,Olga,1-956-311-1686,Aenean.eget.metus@dictumcursusNunc.edu]
[4,Belle,1-246-894-6340,vitae.aliquet.nec@neque.co.uk]
[5,Trevor,1-300-527-4967,dapibus.id@acturpisegestas.net]

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...|
|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。

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 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|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|        est@nunc.com|
| 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|turpis@felisorci.com|
+---+-----------+--------------+--------------------+
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|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:

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|Donec@Inmipede.co.uk|
| 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:

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| pellentesque@mi.net|
| 97|    Maxwell|1-607-205-1273|metus.In@musAenea...|
+---+-----------+--------------+--------------------+
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|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| lorem.lorem@non.net|
| 66|      Vance|1-268-680-0857|pellentesque@netu...|
| 41|     Tyrone|1-907-383-5293|non.bibendum.sed@...|
+---+-----------+--------------+--------------------+
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|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|    urna@veliteu.edu|
| 69|       Aiko|1-682-230-7013|turpis.vitae.puru...|
| 47|       Alma|1-747-382-6775|    nec.enim@non.org|
| 26|      Amela|1-526-909-2605| in@vitaesodales.edu|
| 16|      Amena|1-878-250-3129|lorem.luctus.ut@s...|
+---+-----------+--------------+--------------------+
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|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 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|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 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|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:

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:

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| iteblog@iteblog.com|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。

本博客文章除特别声明,全部都是原创!
转载本文请加上:转载自过往记忆(https://www.iteblog.com/)
本文链接: 【Apache Spark DataFrames入门指南:操作DataFrame】(https://www.iteblog.com/archives/1566.html)
喜欢 (22)
分享 (0)
发表我的评论
取消评论

表情
本博客评论系统带有自动识别垃圾评论功能,请写一些有意义的评论,谢谢!