在Apache Spark 2.0中使用DataFrames和SQL

作者｜马小龙（Dr. Christoph Schubert）

责编｜郭芮

Spark 2.0开发的一个动机是让它可以触及更广泛的受众，特别是缺乏编程技能但可能非常熟悉SQL的数据分析师或业务分析师。因此，Spark 2.0现在比以往更易使用。在这部分，我将介绍如何使用Apache Spark 2.0。并将重点关注DataFrames作为新Dataset API的无类型版本。

到Spark 1.3，弹性分布式数据集（Resilient Distributed Dataset，RDD）一直是Spark中的主要抽象。RDD API是在Scala集合框架之后建模的，因此间接提供了Hadoop Map / Reduce熟悉的编程原语以及函数式编程（Map、Filter、Reduce）的常用编程原语。虽然RDD API比Map / Reduce范例更具表达性，但表达复杂查询仍然很繁琐，特别是对于来自典型数据分析背景的用户，他们可能熟悉SQL，或来自R/Python编程语言的数据框架。

Spark 1.3引入了DataFrames作为RDD顶部的一个新抽象。DataFrame是具有命名列的行集合，在R和Python相应包之后建模。

Spark 1.6看到了Dataset类作为DataFrame的类型化版本而引入。在Spark 2.0中，DataFrames实际上是Datasets的特殊版本，我们有type DataFrame = Dataset [Row]，因此DataFrame和Dataset API是统一的。

表面上，DataFrame就像SQL表。Spark 2.0将这种关系提升到一个新水平：我们可以使用SQL来修改和查询DataSets和DataFrames。通过限制表达数量，有助于更好地优化。数据集也与Catalyst优化器良好集成，大大提高了Spark代码的执行速度。因此，新的开发应该利用DataFrames。

在本文中，我将重点介绍Spark 2.0中DataFrames的基本用法。我将尝试强调Dataset API和SQL间的相似性，以及如何使用SQL和Dataset API互换地查询数据。借由整个代码生成和Catalyst优化器，两个版本将编译相同高效的代码。

代码示例以Scala编程语言给出。我认为这样的代码最清晰，因为Spark本身就是用Scala编写的。

➤SparkSession

SparkSession类替换了Apache Spark 2.0中的SparkContext和SQLContext，并为Spark集群提供了唯一的入口点。

为了向后兼容，SparkSession对象包含SparkContext和SQLContext对象，见下文。当我们使用交互式Spark shell时，为我们创建一个名为spark的SparkSession对象。

➤创建DataFrames

DataFrame是具有命名列的表。最简单的DataFrame是使用SparkSession的range方法来创建：

使用show给我们一个DataFrame的表格表示，可以使用describe来获得数值属性概述。describe返回一个DataFrame：

观察到Spark为数据帧中唯一的列选择了名称id。 对于更有趣的示例，请考虑以下数据集：

在这种情况下，customerDF对象将有名为_1、_2、_3、_4的列，它们以某种方式违反了命名列的目的。可以通过重命名列来恢复：

使用printSchema和describe提供以下输出：

一般来说我们会从文件加载数据。SparkSession类为提供了以下方法：

在这里我们让Spark从CSV文件的第一行提取头信息（通过设置header选项为true），并使用数字类型（age和total）将数字列转换为相应的数据类型 inferSchema选项。 

其他可能的数据格式包括parquet文件和通过JDBC连接读取数据的可能性。

➤基本数据操作

我们现在将访问DataFrame中数据的基本功能，并将其与SQL进行比较。

沿袭，操作，动作和整个阶段的代码生成

相同的谱系概念，转换操作和行动操作之间的区别适用于Dataset和RDD。我们下面讨论的大多数DataFrame操作都会产生一个新的DataFrame，但实际上不执行任何计算。要触发计算，必须调用行动操作之一，例如show（将DataFrame的第一行作为表打印），collect（返回一个Row对象的Array），count（返回DataFrame中的行数），foreach（对每一行应用一个函数）。这是惰性求值（lazy evaluation）的常见概念。

下面Dataset类的所有方法实际上依赖于所有数据集的有向非循环图（Directed Acyclic Graph，DAG），从现有数据集中创建一个新的“数据集”。这被称为数据集的沿袭。仅使用调用操作时，Catalyst优化程序将分析沿袭中的所有转换，并生成实际代码。这被称为整阶段代码生成，并且负责Dataset对RDD的性能改进。

Row-行对象

Row类在DataFrame的一行不带类型数据值中充当容器。通常情况下我们不会自己创建Row对象，而是使用下面的语法：

Row对象元素通过位置（从0开始）或者使用apply进行访问：

它会产生一个Any的对象类型。或者最好使用get，方法之一：

因为这样就不会出现原始类型的开销。我们可以使用isNull方法检查行中的一个条目是否为’null’：

我们现在来看看DataFrame类最常用的转换操作：

select

我们将要看的第一个转换是“select”，它允许我们对一个DataFrame的列进行投影和变换。

引用列

通过它们的名称有两种方法来访问DataFrame列：可以将其引用为字符串；或者可以使用apply方法，col-方法或$以字符串作为参数并返回一个Column（列）对象。所以customerDF.col(“customer”)和customerDF(“customer”)都是customerDF的第一列。

选择和转换列

最简单的select转换形式允许我们将DataFrame投影到包含较少列的DataFrame中。下面的四个表达式返回一个只包含customer和province列的DataFrame：

不能在单个select方法中调用混合字符串和列参数：customerDF.select(“customer”, $”province”)导致错误。

使用Column类定义的运算符，可以构造复杂的列表达式：

应用show得到以下结果：

列别名

新数据集的列名称从用于创建的表达式中派生而来，我们可以使用alias或as将列名更改为其他助记符：

产生与前面相同内容的DataFrame，但使用名为name，newAge和isZJ的列。

Column类包含用于执行基本数据分析任务的各种有效方法。我们将参考读者文档的详细信息。

最后，我们可以使用lit函数添加一个具有常量值的列，并使用when和otherwise重新编码列值。 例如，我们添加一个新列“ageGroup”，如果“age

给出以下DataFrame：

drop是select相对的转换操作；它返回一个DataFrame，其中删除了原始DataFrame的某些列。

最后可使用distinct方法返回原始DataFrame中唯一值的DataFrame：

返回一个包含单个列的DataFrame和包含值的三行：“北京”、“江苏”、“浙江”。

filter

第二个DataFrame转换是Filter方法，它在DataFrame行中进行选择。有两个重载方法：一个接受一个Column，另一个接受一个SQL表达式（一个String）。例如，有以下两种等效方式来过滤年龄大于30岁的所有客户：

Filter转换接受一般的布尔连接符and（和）和or（或）：

我们在SQL版本中使用单个等号，或者使用三等式“===”（Column类的一个方法）。在==运算符中使用Scala的等于符号会导致错误。我们再次引用Column类文档中的有用方法。

聚合（aggregation）

执行聚合是进行数据分析的最基本任务之一。例如，我们可能对每个订单的总金额感兴趣，或者更具体地，对每个省或年龄组的总金额或平均金额感兴趣。可能还有兴趣了解哪个客户的年龄组具有高于平均水平的总数。借用SQL，我们可以使用GROUP BY表达式来解决这些问题。DataFrames提供了类似的功能。可以根据一些列的值进行分组，同样，还可以使用字符串或“Column”对象来指定。

我们将使用以下DataFrame：

withColumn方法添加一个新的列或替换一个现有的列。

聚合数据分两步进行：一个调用GroupBy方法将特定列中相等值的行组合在一起，然后调用聚合函数，如sum（求和值），max（最大值）或为原始DataFrame中每组行计算的“avg”（平均值）。从技术上来说，GroupBy会返回一个RelationalGroupedDataFrame类的对象。RelationalGroupedDataFrame包含max、min、avg、mean和sum方法，所有这些方法都对DataFrame的数字列执行指定操作，并且可以接受一个String-参数来限制所操作的数字列。此外，我们有一个count方法计算每个组中的行数，还有一个通用的agg方法允许我们指定更一般的聚合函数。所有这些方法都会返回一个DataFrame。

例如：

输出以下内容：

customerAgeGroupDF.groupBy(“agegroup”).max().show()输出：

最后，customerAgeGroupDF.groupBy(“agegroup”).min(“age”, “total”).show()输出：

还有一个通用的agg方法，接受复杂的列表达式。agg在RelationalGroupedDataFrame和Dataset中都可用。后一种方法对整个数据集执行聚合。这两种方法都允许我们给出列表达式的列表：

输出：

可用的聚合函数在org.apache.spark.sql.functions中定义。类RelationalGroupedDataset在Apache Spark 1.x中被称为“GroupedData”。 RelationalGroupedDataset的另一个特点是可以对某些列值进行透视。例如，以下内容允许我们列出每个年龄组的总数：

给出以下输出：

其中null值表示没有省/年龄组的组合。Pivot的重载版本接受一个值列表以进行透视。这一方面允许我们限制列数，另一方面更加有效，因为Spark不需要计算枢轴列中的所有值。例如：

给出以下输出：

最后，使用枢纽数据也可以进行复杂聚合：

输出：

这里=!=是Column类的“不等于”方法。

排序和限制

OrderBy方法允许我们根据一些列对数据集的内容进行排序。和以前一样，我们可以使用Strings或Column对象来指定列：customerDF.orderBy（”age”）和 customerDF.orderBy（$”age”）给出相同的结果。默认排序顺序为升序。如果要降序排序，可以使用Column类的desc方法或者desc函数：

观察到desc函数返回了一个Column-object，任何其他列也需要被指定为Column-对象。

最后，limit方法返回一个包含原始DataFrame中第一个n行的DataFrame。

➤DataFrame方法与SQL对比

我们已经发现，DataFrame类的基本方法与SQLselect语句的部分密切相关。下表总结了这一对应关系：

到目前为止连接（join）在我们的讨论中已经缺失。Spark的DataFrame支持连接，我们将在文章的下一部分讨论它们。

下面将讨论完全类型化的DataSets API，连接和用户定义的函数（UDF）。

➤使用SQL来处理DataFrames

我们还在Apache Spark 2.0中直接执行SQL语句。SparkSession的SQL方法返回一个DataFrame。此外，DataFrame的selectExp方法也允许我们为单列指定SQL表达式，如下所示。为了能够引用SQL表达式中的DataFrame，首先有必要将DataFrame注册为临时表，在Spark 2中称为临时视图（temporary view，简称为tempview）。DataFrame为我们提供了以下两种方法：

• createTempView创建一个新视图，如果具有该名称的视图已存在，则抛出一个异常；

• createOrReplaceTempView创建一个用来替换的临时视图。

两种方法都将视图名称作为唯一参数。

注册表后，可以使用SparkSession的SQL方法来执行SQL语句：

返回具有以下内容的DataFrame：

SparkSession类的catalog字段是Catalog类的一个对象，具有多种处理会话注册表和视图的方法。例如，Catalog的ListTables方法返回一个包含所有已注册表信息的Dataset：

会返回一个包含有关注册表“tableName”中列信息的Dataset，例如：

此外，可以使用DataSet的SelectExpr方法执行某些产生单列的SQL表达式，例如：

这两者都产生DataFrame对象。

➤第一步结束语

我们希望让读者相信，Apache Spark 2.0的统一性能够为熟悉SQL的分析师们提供Spark的学习曲线。下一部分将进一步介绍类型化Dataset API的使用、用户定义的函数以及Datasets间的连接。此外，我们将讨论新Dataset API的使用缺陷。

本文第一部分使用了无类型的DataFrame API，其中每行都表示一个Row对象。在下面的内容中，我们将使用更新的DatasetAPI。Dataset是在Apache Spark 1.6中引入的，并已在Spark 2.0中使用DataFrames进行了统一，我们现在有了type DataFrame = Dataset [Row]，其中方括号（[和] Scala中的泛型类型，因此类似于Java的）。因此，上面讨论的所有诸如select、filter、groupBy、agg、orderBy、limit等方法都以相同的方式使用。

➤Datasets：返回类型信息

Spark 2.0以前的DataFrame API本质上是一个无类型的API，这也就意味着在编译期间很可能会因为某些编译器错误，导致无法访问类型信息。

和之前一样，我们将在示例中使用Scala，因为我相信Scala最为简洁。可能涉及的例子：spark将表示SparkSession对象，代表我们的Spark集群。

➤例子：分析Apache访问日志

我们将使用Apache访问日志格式数据。先一起回顾Apache日志中的典型行，如下所示：

此行包含以下部分：

1. 127.0.0.1是向服务器发出请求的客户端（远程主机）IP地址（或主机名，如果可用）；

2. 输出中的第一个-表示所请求的信息（来自远程机器的用户身份）不可用；

3. 输出中的第二个-表示所请求的信息（来自本地登录的用户身份）不可用；

4. [01 / Aug / 1995：00：00：01 -0400]表示服务器完成处理请求的时间，格式为：[日/月/年：小时：分：秒 时区]，有三个部件：”GET /images/launch-logo.gif HTTP / 1.0”；

5. 请求方法（例如，GET，POST等）；

6. 端点（统一资源标识符）；

7. 和客户端协议版本（’HTTP / 1.0’）。

1.200这是服务器返回客户端的状态代码。这些信息非常有价值：成功回复（从2开始的代码），重定向（从3开始的代码），客户端导致的错误（以4开头的代码），服务器错误（代码从5开始）。最后一个条目表示返回给客户端的对象大小。如果没有返回任何内容则是-或0。

首要任务是创建适当的类型来保存日志行信息，因此我们使用Scala的case类，具体如下：

默认情况下，case类对象不可变。通过它们的值来比较相等性，而不是通过比较对象引用。

为日志条目定义了合适的数据结构后，现在需要将表示日志条目的String转换为ApacheLog对象。我们将使用正则表达式来达到这一点，参考如下：

可以看到正则表达式包含9个捕获组，用于表示ApacheLog类的字段。

使用正则表达式解析访问日志时，会面临以下问题：

• 一些日志行的内容大小以-表示，我们想将它转换为0；

• 一些日志行不符合所选正则表达式给出的格式。

为了克服第二个问题，我们使用Scala的“Option”类型来丢弃不对的格式并进行确认。Option也是一个泛型类型，类型Option[ApacheLog]的对象可以有以下形式：

• None，表示不存在一个值（在其他语言中，可能使用null）；

• Some(log)for a ApacheLog-objectlog。

以下为一行函数解析，并为不可解析的日志条目返回None：

最好的方法是修改正则表达式以捕获所有日志条目，但Option是处理一般错误或不可解析条目的常用技术。

综合起来，现在来剖析一个真正的数据集。我们将使用著名的NASA Apache访问日志数据集，它可以在ftp://ita.ee.lbl.gov/traces/NASA_access_log_Jul95.gz下载。

下载和解压缩文件后，首先将其打开为String的Dataset，然后使用正则表达式解析：

用spark.read.text方法打开文本文件并返回一个DataFrame，是textfile的行。使用Dataset的as方法将其转换为包含Strings的Dataset对象（而不是Rows包含字符串），并导入spark.implicits._以允许创建一个包含字符串或其他原始类型的Dataset。

现在可以解析数据集：

flatMap将parse_logline函数应用于rawData的每一行，并将Some(ApacheLog)形式的所有结果收集到apacheLogs中，同时丢弃所有不可解析的日志行（所有结果的形式None）。

我们现在可以对“数据集”执行分析，就像在“DataFrame”上一样。Dataset中的列名称只是ApacheLog case类的字段名称。

例如，以下代码打印生成最多404个响应的10个端点：

如前所述，可以将Dataset注册为临时视图，然后使用SQL执行查询：

上面的SQL查询具有与上面的Scala代码相同的结果。

用户定义的函数（user defined function, UDF）

在Spark SQL中，我们可以使用范围广泛的函数，包括处理日期、基本统计和其他数学函数的函数。Spark在函数中的构建是在org.apache.spark.sql.functions对象中定义的。

作为示例，我们使用以下函数提取主机名的顶级域：

如果想在SQL查询中使用这个函数，首先需要注册。这是通过SparkSession的udf对象实现的：

函数名后的最后一个下划线将extractTLD转换为部分应用函数（partially applied function)，这是必要的，如果省略它会导致错误。register方法返回一个UserDefinedFunction对象，可以应用于列表达式。

一旦注册，我们可以在SQL查询中使用extractTLD：

要获得注册的用户定义函数概述，可以使用spark.catalog对象的listFunctions方法，该对象返回SparkSession定义的所有函数DataFrame：

注意Spark SQL遵循通常的SQL约定，即不区分大小写。也就是说，以下SQL表达式都是有效的并且彼此等价：select extractTLD（host）from apacheLogs，select extracttld（host）from apacheLogs，”select EXTRACTTLD(host) from apacheLogs”。spark.catalog.listFunctions返回的函数名将总是小写字母。

除了在SQL查询中使用UDF，我们还可以直接将它们应用到列表达式。以下表达式返回.net域中的所有请求：

值得注意的是，与Spark在诸如filter，select等方法中的构建相反，用户定义的函数只采用列表达式作为参数。写extractTLD_UDF（“host”）会导致错误。

除了在目录中注册UDF并用于Column表达式和SQL中，我们还可以使用org.apache.spark.sql.functions对象中的udf函数注册一个UDF：

注册UDF后，可以将它应用到Column表达式（例如filter里面），如下所示：

但是不能在SQL查询中使用它，因为还没有通过名称注册它。

➤UDF和Catalyst优化器

Spark中用Catalyst优化器来优化所有涉及数据集的查询，会将用户定义的函数视作黑盒。值得注意的是，当过滤器操作涉及UDF时，在连接之前可能不会“下推”过滤器操作。我们通过下面的例子来说明。

通常来说，不依赖UDF而是从内置的“Column”表达式进行组合操作可能效果更好。

➤加盟

最后，我们将讨论如何使用以下两个Dataset方法连接数据集：

• join返回一个DataFrame

• joinWith返回一对Datasets

以下示例连接两个表1、表2（来自维基百科）：

表1  员工(Employee)

表2  部门(Department)

定义两个case类，将两个表编码为case类对象的序列（由于空间原因不显示），最后创建两个Dataset对象：

为了执行内部等连接，只需提供要作为“String”连接的列名称：

Spark会自动删除双列，joined.show给出以下输出：

表3  输出

在上面，joined是一个DataFrame，不再是Dataset。连接数据集的行可以作为Seq列名称给出，或者可以指定要执行的equi-join（inner，outer，left_outer，right_outer或leftsemi）类型。想要指定连接类型的话，需要使用Seq表示法来指定要连接的列。请注意，如果执行内部联接（例如，获取在同一部门中工作的所有员工的对）：employees.join(employees，Seq(“depID”))，我们没有办法访问连接的DataFrame列：employees.join(employees, Seq(“depID”)).select(“lastname”)会因为重复的列名而失败。处理这种情况的方法是重命名部分列：

除了等连接之外，我们还可以给出更复杂的连接表达式，例如以下查询，它将所有部门连接到不知道部门ID且不在本部门工作的员工：

然后可以不指定任何连接条件，在两个Datasets间执行笛卡尔联接： departments.join(employees).show。

➤与joinWith类型保存连接

最后，Dataset的joinWith方法返回一个Dataset，包含原始数据集中匹配行的Scala元组。

表4  返回Dataset

这可以用于自连接后想要规避上述不可访问列的问题情况。

➤加入和优化器

Catalyst优化器尝试通过将“过滤器”操作向“下推”，以尽可能多地优化连接，因此它们在实际连接之前执行。

为了这个工作，用户定义的函数（UDF），不应该在连接条件内使用用因为这些被Catalyst处理为黑盒子。

➤结论

我们已经讨论了在Apache Spark 2.0中使用类型化的DatasetAPI，如何在Apache Spark中定义和使用用户定义的函数，以及这样做的危险。使用UDF可能产生的主要困难是它们会被Catalyst优化器视作黑盒。