Azure Databricks 第二篇：pyspark.sql 简介

pyspark中的DataFrame等价于Spark SQL中的一个关系表。在pyspark中，DataFrame由Column和Row构成。

pyspark.sql.SparkSession：是DataFrame和SQL函数的主要入口
DataFrameReader：读取数据，返回DataFrame
DataFrameWriter：把DataFrame存储到其他存储系统
pyspark.sql.DataFrame、pyspark.sql.Column和 pyspark.sql.Row

一，SparkSession类

在操作DataFrame之前，首先需要创建SparkSession，通过SparkSession来操作DataFrame。

1，创建SparkSession

通过Builder类来创建SparkSession，在Databricks Notebook中，spark是默认创建，表示一个SparkSession对象：

spark = SparkSession.builder \
    .master("local") \
    .appName("Word Count") \
    .config("spark.some.config.option", "some-value") \
    .getOrCreate()

函数注释:

master(master)：用于设置要连接的Spark的master URL，例如local表示在本地运行，local[4] 在本地使用4核运行，

appName(name)：为application设置一个名字

config(key=None, value=None, conf=None)：设置SparkSession的配置选项，

getOrCreate()：获得一个已存在的或者创建一个新的SparkSession

2，从常量数据中创建DataFrame

从RDD、list或pandas.DataFrame 创建DataFrame：

createDataFrame(data, schema=None, samplingRatio=None, verifySchema=True)

3，从SQL查询中创建DataFrame

从一个给定的SQL查询或Table中获取DataFrame，举个例子：

df.createOrReplaceTempView("table1")

#use SQL query to fetch data
df2 = spark.sql("SELECT field1 AS f1, field2 as f2 from table1")

#use table to fetch data
df2 = spark.table("table1")

4，属性

read：该属性是DataFrameReader 对象，用于读取数据，返回DataFrame对象

readStream：该属性是DataStreamReader对象，用于读取Data Stream，返回流式的DataFrame对象（ streaming DataFrame）

二，DataFrameReader类

从外部存储系统中读取数据，返回DataFrame对象，通常使用SparkSession.read来访问，通用语法是先调用format()函数来指定输入数据的格式，后调用load()函数从数据源加载数据，并返回DataFrame对象：

df = spark.read.format('json').load('python/test_support/sql/people.json')

对于不同的格式，DataFrameReader类有细分的函数来加载数据：

df_csv = spark.read.csv('python/test_support/sql/ages.csv')
df_json = spark.read.json('python/test_support/sql/people.json')
df_txt = spark.read.text('python/test_support/sql/text-test.txt')
df_parquet = spark.read.parquet('python/test_support/sql/parquet_partitioned')

# read a table as a DataFrame
df = spark.read.parquet('python/test_support/sql/parquet_partitioned')
df.createOrReplaceTempView('tmpTable')
spark.read.table('tmpTable')

还可以通过jdbc，从JDBC URL中构建DataFrame

jdbc(url, table, column=None, lowerBound=None, upperBound=None, numPartitions=None, predicates=None, properties=None)

三，DataFrameWriter类

用于把DataFrame写入到外部存储系统中，通过DataFrame.write来访问。

(df.write.format('parquet')  
    .mode("overwrite")
    .saveAsTable('bucketed_table'))

函数注释：

format(source)：指定底层输出的源的格式
mode(saveMode)：当数据或表已经存在时，指定数据存储的行为，保存的模式有：append、overwrite、error和ignore。
saveAsTable(name, format=None, mode=None, partitionBy=None, **options)：把DataFrame 存储为表
save(path=None, format=None, mode=None, partitionBy=None, **options)：把DataFrame存储到数据源中

对于不同的格式，DataFrameWriter类有细分的函数来加载数据：

df.write.csv(os.path.join(tempfile.mkdtemp(), 'data'))
df.write.json(os.path.join(tempfile.mkdtemp(), 'data'))
df.write.parquet(os.path.join(tempfile.mkdtemp(), 'data'))
df.write.txt(os.path.join(tempfile.mkdtemp(), 'data'))

#wirte data to external database via jdbc
jdbc(url, table, mode=None, properties=None)

四，DataFrame操作

DataFrame等价于Spark SQL中的关系表，

1，常规操作

从parquet 文件中读取数据，返回一个DataFrame对象：

people = spark.read.parquet("...")

从DataFrame对象返回一列：

ageCol = people.age

从DataFrame对象中row的集合：

people.collect()

从DataFrame对象中删除列：

people.drop(*cols)

2，创建临时视图

可以创建全局临时视图，也可以创建本地临时视图，对于local view，临时视图的生命周期和SparkSession相同；对于global view，临时视图的生命周期由Spark application决定。

createOrReplaceGlobalTempView(name)
createGlobalTempView(name)
createOrReplaceTempView(name)
createTempView(name)

3，DataFrame数据的查询

df.filter(df.age > 3)
df.select('name', 'age')

# join
cond = [df.name == df3.name, df.age == df3.age]
df.join(df3, cond, 'outer').select(df.name, df3.age)

#group by 
df.groupBy('name').agg({'age': 'mean'})

五，分组数据

DataFrame.groupBy() 返回的是GroupedData类，可以对分组数据应用聚合函数、apply函数。

df3.groupBy().max('age', 'height').collect()

请参考官方手册，不再赘述。

参考文档：

pyspark.sql module

悦光阴