目录
如果你会任意一门语言的stream流，没道理不会大数据开发。
俗话说男追女隔座山，女追男隔层纱。
如果说零基础学大数据，感觉前面是一座山，那么只要你会java或者任意一门语言的stream流，那大数据就只隔了一层纱。
本文以java stream流计算为例，讲解一些基础的spark操作。另一个流行的大数据框架flink同理。
准备工作
测试数据,以下列分别表示姓名，年龄，部门，职位。
张三,20,研发部,普通员工 李四,31,研发部,普通员工 李丽,36,财务部,普通员工 张伟,38,研发部,经理 杜航,25,人事部,普通员工 周歌,28,研发部,普通员工 创建一个Employee类。
@Getter @Setter @AllArgsConstructor @NoArgsConstructor @ToString static class Employee implements Serializable { private String name; private Integer age; private String department; private String level; } } 版本：
jdk:1.8
spark:3.2.0
scala:2.12.15
上面的scala版本只是spark框架本身需要依赖到scala。
因为scala确实是比较小众的语言，本文还是使用java演示spark代码。
1.map类
1.1 java stream map
map表示一对一操作。将上游数据的一行数据进行任意操作，最终得到操作后的一条数据。
这种思想，在java和spark,flink都是一致的。
我们先用java stream演示读取文件，再使用map操作将每行数据映射为Employee对象。
List<String> list = FileUtils.readLines(new File("f:/test.txt"), "utf-8"); List<Employee> employeeList = list.stream().map(word -> { List<String> words = Arrays.stream(word.split(",")).collect(Collectors.toList()); Employee employee = new Employee(words.get(0), Integer.parseInt(words.get(1)), words.get(2), words.get(3)); return employee; }).collect(Collectors.toList()); employeeList.forEach(System.out::println); 转换后的数据：
JavaStreamDemo.Employee(name=张三, age=20, department=研发部, level=普通员工) JavaStreamDemo.Employee(name=李四, age=31, department=研发部, level=普通员工) JavaStreamDemo.Employee(name=李丽, age=36, department=财务部, level=普通员工) JavaStreamDemo.Employee(name=张伟, age=38, department=研发部, level=经理) JavaStreamDemo.Employee(name=杜航, age=25, department=人事部, level=普通员工) JavaStreamDemo.Employee(name=周歌, age=28, department=研发部, level=普通员工) 1.2 spark map
首先得到一个SparkSession对象，读取文件，得到一个DataSet弹性数据集对象。
SparkSession session = SparkSession.builder().master("local[*]").getOrCreate(); Dataset<Row> reader = session.read().text("F:/test.txt"); reader.show(); 这里的show()就是打印输出当前数据集，它是一个action类的算子。
得到结果：
+-----------------------+ | value| +-----------------------+ |张三,20,研发部,普通员工| |李四,31,研发部,普通员工| |李丽,36,财务部,普通员工| | 张伟,38,研发部,经理| |杜航,25,人事部,普通员工| |周歌,28,研发部,普通员工| +-----------------------+ 现在我们拿到了基础数据，我们使用map一对一操作，将一行行数据转换为Employee对象。
我们这里不使用lamda表达式，让大家看得更加清晰。
这里实现了MapFunction接口里的call方法，每次拿到一行数据，我们这里进行切分，再转换为对象。
-
需要特别指出的一点是，与后端WEB应用有一个统一异常处理不同的是，大数据应用，特别是流式计算，要保证7*24在线，需要对每个算子进行异常捕获。
因为你不知道上游数据清洗到底怎么样，很可能拿到一条脏数据，处理的时候抛出异常，如果没有捕获处理，那么整个应用就会挂掉。 -
spark的算子分为Transformation和Action两种类型。Transformation会开成一个DAG图，具有lazy延迟性，它只会从一个dataset(rdd/df)转换成另一个dataset(rdd/df)，只有当遇到action类的算子才会真正执行。
我们今天会演示的算子都是Transformation类的算子。
典型的Action算子包括show,collect,save之类的。比如在本地进行show查看结果，或者完成运行后save到数据库，或者HDFS。 -
spark执行时分为driver和executor。但不是本文的重点，不会展开讲。
只需要注意driver端会将代码分发到各个分布式系统的节点executor上，它本身不会参与计算。一般来说，算子外部，如以下示例代码的a处会在driver端执行，b处算子内部会不同服务器上的executor端执行。
所以在算子外部定义的变量，在算子内部使用的时候要特别注意！！ 不要想当然地以为都是一个main方法里写的代码，就一定会在同一个JVM里。
这里涉及到序列化的问题，同时它们分处不同的JVM，使用"=="比较的时候也可能会出问题！！
这是一个后端WEB开发转向大数据开发时，这个思想一定要转变过来。
简言之，后端WEB服务的分布式是我们自己实现的，大数据的分布式是框架天生帮我们实现的。
1.2.1 MapFunction
// a 算子外部，driver端 Dataset<Employee> employeeDataset = reader.map(new MapFunction<Row, Employee>() { @Override public Employee call(Row row) throws Exception { // b 算子内部，executor端 Employee employee = null; try { // gson.fromJson(); 这里使用gson涉及到序列化问题 List<String> list = Arrays.stream(row.mkString().split(",")).collect(Collectors.toList()); employee = new Employee(list.get(0), Integer.parseInt(list.get(1)), list.get(2), list.get(3)); } catch (Exception exception) { // 日志记录 // 流式计算中要做到7*24小时不间断，任意一条上流脏数据都可能导致失败，从而导致任务退出，所以这里要做好异常的抓取 exception.printStackTrace(); } return employee; } }, Encoders.bean(Employee.class)); employeeDataset.show(); 输出
+---+----------+--------+----+ |age|department| level|name| +---+----------+--------+----+ | 20| 研发部|普通员工|张三| | 31| 研发部|普通员工|李四| | 36| 财务部|普通员工|李丽| | 38| 研发部| 经理|张伟| | 25| 人事部|普通员工|杜航| | 28| 研发部|普通员工|周歌| 1.2.2 MapPartitionsFunction
spark中 map和mapPartitions有啥区别？
map是1条1条处理数据
mapPartitions是一个分区一个分区处理数据
后者一定比前者效率高吗？
不一定，看具体情况。
这里使用前面 map 一样的逻辑处理。可以看到在call方法里得到的是一个Iterator迭代器，是一批数据。
得到一批数据，然后再一对一映射为对象，再以Iterator的形式返回这批数据。
Dataset<Employee> employeeDataset2 = reader.mapPartitions(new MapPartitionsFunction<Row, Employee>() { @Override public Iterator<Employee> call(Iterator<Row> iterator) throws Exception { List<Employee> employeeList = new ArrayList<>(); while (iterator.hasNext()){ Row row = iterator.next(); try { List<String> list = Arrays.stream(row.mkString().split(",")).collect(Collectors.toList()); Employee employee = new Employee(list.get(0), Integer.parseInt(list.get(1)), list.get(2), list.get(3)); employeeList.add(employee); } catch (Exception exception) { // 日志记录 // 流式计算中要做到7*24小时不间断，任意一条上流脏数据都可能导致失败，从而导致任务退出，所以这里要做好异常的抓取 exception.printStackTrace(); } } return employeeList.iterator(); } }, Encoders.bean(Employee.class)); employeeDataset2.show(); 输出结果跟map一样，这里就不贴出来了。
2.flatMap类
map和flatMap有什么区别？
map是一对一，flatMap是一对多。
当然在java stream中，flatMap叫法叫做扁平化。
这种思想，在java和spark,flink都是一致的。
2.1 java stream flatMap
以下代码将1条原始数据映射到2个对象上并返回。
List<Employee> employeeList2 = list.stream().flatMap(word -> { List<String> words = Arrays.stream(word.split(",")).collect(Collectors.toList()); List<Employee> lists = new ArrayList<>(); Employee employee = new Employee(words.get(0), Integer.parseInt(words.get(1)), words.get(2), words.get(3)); lists.add(employee); Employee employee2 = new Employee(words.get(0)+"_2", Integer.parseInt(words.get(1)), words.get(2), words.get(3)); lists.add(employee2); return lists.stream(); }).collect(Collectors.toList()); employeeList2.forEach(System.out::println); 输出
JavaStreamDemo.Employee(name=张三, age=20, department=研发部, level=普通员工) JavaStreamDemo.Employee(name=张三_2, age=20, department=研发部, level=普通员工) JavaStreamDemo.Employee(name=李四, age=31, department=研发部, level=普通员工) JavaStreamDemo.Employee(name=李四_2, age=31, department=研发部, level=普通员工) JavaStreamDemo.Employee(name=李丽, age=36, department=财务部, level=普通员工) JavaStreamDemo.Employee(name=李丽_2, age=36, department=财务部, level=普通员工) JavaStreamDemo.Employee(name=张伟, age=38, department=研发部, level=经理) JavaStreamDemo.Employee(name=张伟_2, age=38, department=研发部, level=经理) JavaStreamDemo.Employee(name=杜航, age=25, department=人事部, level=普通员工) JavaStreamDemo.Employee(name=杜航_2, age=25, department=人事部, level=普通员工) JavaStreamDemo.Employee(name=周歌, age=28, department=研发部, level=普通员工) JavaStreamDemo.Employee(name=周歌_2, age=28, department=研发部, level=普通员工) 2.2 spark flatMap
这里实现FlatMapFunction的call方法，一次拿到1条数据，然后返回值是Iterator，所以可以返回多条。
Dataset<Employee> employeeDatasetFlatmap = reader.flatMap(new FlatMapFunction<Row, Employee>() { @Override public Iterator<Employee> call(Row row) throws Exception { List<Employee> employeeList = new ArrayList<>(); try { List<String> list = Arrays.stream(row.mkString().split(",")).collect(Collectors.toList()); Employee employee = new Employee(list.get(0), Integer.parseInt(list.get(1)), list.get(2), list.get(3)); employeeList.add(employee); Employee employee2 = new Employee(list.get(0)+"_2", Integer.parseInt(list.get(1)), list.get(2), list.get(3)); employeeList.add(employee2); } catch (Exception exception) { exception.printStackTrace(); } return employeeList.iterator(); } }, Encoders.bean(Employee.class)); employeeDatasetFlatmap.show(); 输出
+---+----------+--------+------+ |age|department| level| name| +---+----------+--------+------+ | 20| 研发部|普通员工| 张三| | 20| 研发部|普通员工|张三_2| | 31| 研发部|普通员工| 李四| | 31| 研发部|普通员工|李四_2| | 36| 财务部|普通员工| 李丽| | 36| 财务部|普通员工|李丽_2| | 38| 研发部| 经理| 张伟| | 38| 研发部| 经理|张伟_2| | 25| 人事部|普通员工| 杜航| | 25| 人事部|普通员工|杜航_2| | 28| 研发部|普通员工| 周歌| | 28| 研发部|普通员工|周歌_2| +---+----------+--------+------+ 3 groupby类
与SQL类似，java stream流和spark一样，groupby对数据集进行分组并在此基础上可以进行聚合函数操作。也可以分组直接得到一组子数据集。
3.1 java stream groupBy
按部门分组统计部门人数：
Map<String, Long> map = employeeList.stream().collect(Collectors.groupingBy(Employee::getDepartment, Collectors.counting())); System.out.println(map); 输出
{财务部=1, 人事部=1, 研发部=4} 3.2 spark groupBy
将映射为对象的数据集按部门分组，在此基础上统计部门员工数和平均年龄。
RelationalGroupedDataset datasetGroupBy = employeeDataset.groupBy("department"); // 统计每个部门有多少员工 datasetGroupBy.count().show(); /** * 每个部门的平均年龄 */ datasetGroupBy.avg("age").withColumnRenamed("avg(age)","avgAge").show(); 输出分别为
+----------+-----+ |department|count| +----------+-----+ | 财务部| 1| | 人事部| 1| | 研发部| 4| +----------+-----+ +----------+------+ |department|avgAge| +----------+------+ | 财务部| 36.0| | 人事部| 25.0| | 研发部| 29.25| +----------+------+ 3.3 spark groupByKey
spark的groupBy和groupByKey的区别,前者在此基础上使用聚合函数得到一个聚合值，后者只是进行分组，不进行任何计算。
类似于java stream的：
Map<String, List<Employee>> map2 = employeeList.stream().collect(Collectors.groupingBy(Employee::getDepartment)); System.out.println(map2); 输出
{财务部=[JavaStreamDemo.Employee(name=李丽, age=36, department=财务部, level=普通员工)], 人事部=[JavaStreamDemo.Employee(name=杜航, age=25, department=人事部, level=普通员工)], 研发部=[ JavaStreamDemo.Employee(name=张三, age=20, department=研发部, level=普通员工), JavaStreamDemo.Employee(name=李四, age=31, department=研发部, level=普通员工), JavaStreamDemo.Employee(name=张伟, age=38, department=研发部, level=经理), JavaStreamDemo.Employee(name=周歌, age=28, department=研发部, level=普通员工)]} 使用spark groupByKey。
先得到一个key-value的一对多的一个集合数据集。
这里的call()方法返回的是key,即分组的key。
KeyValueGroupedDataset keyValueGroupedDataset = employeeDataset.groupByKey(new MapFunction<Employee, String>() { @Override public String call(Employee employee) throws Exception { // 返回分组的key,这里表示根据部门进行分组 return employee.getDepartment(); } }, Encoders.STRING()); 再在keyValueGroupedDataset 的基础上进行mapGroups，在call()方法里就可以拿到每个key的所有原始数据。
keyValueGroupedDataset.mapGroups(new MapGroupsFunction() { @Override public Object call(Object key, Iterator iterator) throws Exception { System.out.println("key = " + key); while (iterator.hasNext()){ System.out.println(iterator.next()); } return iterator; } }, Encoders.bean(Iterator.class)) .show(); // 这里的show()没有意义，只是触发计算而已 输出
key = 人事部 SparkDemo.Employee(name=杜航, age=25, department=人事部, level=普通员工) key = 研发部 SparkDemo.Employee(name=张三, age=20, department=研发部, level=普通员工) SparkDemo.Employee(name=李四, age=31, department=研发部, level=普通员工) SparkDemo.Employee(name=张伟, age=38, department=研发部, level=经理) SparkDemo.Employee(name=周歌, age=28, department=研发部, level=普通员工) key = 财务部 SparkDemo.Employee(name=李丽, age=36, department=财务部, level=普通员工) 4 reduce类
reduce的字面意思是：减少；减小；降低；缩小。
又叫归约。
它将数据集进行循环，让当前对象和前一对象两两进行计算，每次计算得到的结果作为下一次计算的前一对象，并最终得到一个对象。
假设有5个数据【1，2，3，4，5】，使用reduce进行求和计算，分别是
比如上面的测试数据集，我要计算各部门年龄总数。使用聚合函数得到的是一个int类型的数字。
4.1 java stream reduce
int age = employeeList.stream().mapToInt(e -> e.age).sum(); System.out.println(age);//178 使用reduce也可进行上面的计算
int age1 = employeeList.stream().mapToInt(e -> e.getAge()).reduce(0,(a,b) -> a+b); System.out.println(age1);// 178 但是我将年龄求和，同时得到一个完整的对象呢？
JavaStreamDemo.Employee(name=周歌, age=178, department=研发部, level=普通员工) 可以使用reduce将数据集两两循环，将年龄相加，同时返回最后一个遍历的对象。
下面代码的pre 代表前一个对象,current 代表当前对象。
/** * pre 代表前一个对象 * current 代表当前对象 */ Employee reduceEmployee = employeeList.stream().reduce(new Employee(), (pre,current) -> { // 当第一次循环时前一个对象为null if (pre.getAge() == null) { current.setAge(current.getAge()); } else { current.setAge(pre.getAge() + current.getAge()); } return current; }); System.out.println(reduceEmployee); 4.2 spark reduce
spark reduce的基本思想跟java stream是一样的。
直接看代码：
Employee datasetReduce = employeeDataset.reduce(new ReduceFunction<Employee>() { @Override public Employee call(Employee t1, Employee t2) throws Exception { // 不同的版本看是否需要判断t1 == null t2.setAge(t1.getAge() + t2.getAge()); return t2; } }); System.out.println(datasetReduce); 输出
SparkDemo.Employee(name=周歌, age=178, department=研发部, level=普通员工) 其它常见操作类
Employee employee = employeeDataset.filter("age > 30").limit(3).sort("age").first(); System.out.println(employee); // SparkDemo.Employee(name=李四, age=31, department=研发部, level=普通员工)
同时可以将dataset注册成table，使用更为强大的SQL来进行各种强大的运算。
现在SQL是flink的一等公民，spark也不遑多让。
这里举一个非常简单的例子。
employeeDataset.registerTempTable("table"); session.sql("select * from table where age > 30 order by age desc limit 3").show(); 输出
+---+----------+--------+----+ |age|department| level|name| +---+----------+--------+----+ | 38| 研发部| 经理|张伟| | 36| 财务部|普通员工|李丽| | 31| 研发部|普通员工|李四| +---+----------+--------+----+ employeeDataset.registerTempTable("table"); session.sql("select concat_ws(',',collect_set(name)) as names, // group_concat avg(age) as age, department from table where age > 30 group by department order by age desc limit 3").show(); 输出
+---------+----+----------+ | names| age|department| +---------+----+----------+ | 李丽|36.0| 财务部| |张伟,李四|34.5| 研发部| +---------+----+----------+
小结
本文依据java stream的相似性，介绍了spark里面一些常见的算子操作。
本文只是做一个非常简单的入门介绍。
如果感兴趣的话，
后端的同学可以尝试着操作一下，非常简单，本地不需要搭建环境，只要引入spark 的 maven依赖即可。
我把本文的所有代码全部贴在最后面。
java stream 源码：
点击查看代码
import lombok.*; import org.apache.commons.io.FileUtils; import java.io.File; import java.io.IOException; import java.io.Serializable; import java.util.ArrayList; import java.util.Arrays; import java.util.List; import java.util.Map; import java.util.stream.Collectors; public class JavaStreamDemo { public static void main(String[] args) throws IOException { /** * 张三,20,研发部,普通员工 * 李四,31,研发部,普通员工 * 李丽,36,财务部,普通员工 * 张伟,38,研发部,经理 * 杜航,25,人事部,普通员工 * 周歌,28,研发部,普通员工 */ List<String> list = FileUtils.readLines(new File("f:/test.txt"), "utf-8"); List<Employee> employeeList = list.stream().map(word -> { List<String> words = Arrays.stream(word.split(",")).collect(Collectors.toList()); Employee employee = new Employee(words.get(0), Integer.parseInt(words.get(1)), words.get(2), words.get(3)); return employee; }).collect(Collectors.toList()); // employeeList.forEach(System.out::println); List<Employee> employeeList2 = list.stream().flatMap(word -> { List<String> words = Arrays.stream(word.split(",")).collect(Collectors.toList()); List<Employee> lists = new ArrayList<>(); Employee employee = new Employee(words.get(0), Integer.parseInt(words.get(1)), words.get(2), words.get(3)); lists.add(employee); Employee employee2 = new Employee(words.get(0)+"_2", Integer.parseInt(words.get(1)), words.get(2), words.get(3)); lists.add(employee2); return lists.stream(); }).collect(Collectors.toList()); // employeeList2.forEach(System.out::println); Map<String, Long> map = employeeList.stream().collect(Collectors.groupingBy(Employee::getDepartment, Collectors.counting())); System.out.println(map); Map<String, List<Employee>> map2 = employeeList.stream().collect(Collectors.groupingBy(Employee::getDepartment)); System.out.println(map2); int age = employeeList.stream().mapToInt(e -> e.age).sum(); System.out.println(age);// 178 int age1 = employeeList.stream().mapToInt(e -> e.getAge()).reduce(0,(a,b) -> a+b); System.out.println(age1);// 178 /** * pre 代表前一个对象 * current 代表当前对象 */ Employee reduceEmployee = employeeList.stream().reduce(new Employee(), (pre,current) -> { if (pre.getAge() == null) { current.setAge(current.getAge()); } else { current.setAge(pre.getAge() + current.getAge()); } return current; }); System.out.println(reduceEmployee); } @Getter @Setter @AllArgsConstructor @NoArgsConstructor @ToString static class Employee implements Serializable { private String name; private Integer age; private String department; private String level; } } spark的源码：
点击查看代码
import com.google.gson.Gson; import lombok.*; import org.apache.spark.api.java.function.*; import org.apache.spark.sql.*; import java.io.Serializable; import java.util.ArrayList; import java.util.Arrays; import java.util.Iterator; import java.util.List; import java.util.stream.Collectors; /** * @projectName: spark-demo * @package: com.alpha.data * @className: SparkDemo * @author: nyp * @description: TODO * @date: 2023/4/27 9:06 * @version: 1.0 */ public class SparkDemo { public static void main(String[] args) { SparkSession session = SparkSession.builder().master("local[*]").getOrCreate(); Dataset<Row> reader = session.read().text("F:/test.txt"); // reader.show(); /** * +-----------------------+ * | value| * +-----------------------+ * |张三,20,研发部,普通员工| * |李四,31,研发部,普通员工| * |李丽,36,财务部,普通员工| * |张伟,38,研发部,经理| * |杜航,25,人事部,普通员工| * |周歌,28,研发部,普通员工| * +-----------------------+ */ // 本地演示而已，实际分布式环境，这里的gson涉及到序列化问题 // 算子以外的代码都在driver端运行 // 任何算子以内的代码都在executor端运行,即会在不同的服务器节点上执行 Gson gson = new Gson(); // a 算子外部，driver端 Dataset<Employee> employeeDataset = reader.map(new MapFunction<Row, Employee>() { @Override public Employee call(Row row) throws Exception { // b 算子内部，executor端 Employee employee = null; try { // gson.fromJson(); 这里使用gson涉及到序列化问题 List<String> list = Arrays.stream(row.mkString().split(",")).collect(Collectors.toList()); employee = new Employee(list.get(0), Integer.parseInt(list.get(1)), list.get(2), list.get(3)); } catch (Exception exception) { // 日志记录 // 流式计算中要做到7*24小时不间断，任意一条上流脏数据都可能导致失败，从而导致任务退出，所以这里要做好异常的抓取 exception.printStackTrace(); } return employee; } }, Encoders.bean(Employee.class)); // employeeDataset.show(); /** * +---+----------+--------+----+ * |age|department| level|name| * +---+----------+--------+----+ * | 20| 研发部|普通员工|张三| * | 31| 研发部|普通员工|李四| * | 36| 财务部|普通员工|李丽| * | 38| 研发部| 经理|张伟| * | 25| 人事部|普通员工|杜航| * | 28| 研发部|普通员工|周歌| */ Dataset<Employee> employeeDataset2 = reader.mapPartitions(new MapPartitionsFunction<Row, Employee>() { @Override public Iterator<Employee> call(Iterator<Row> iterator) throws Exception { List<Employee> employeeList = new ArrayList<>(); while (iterator.hasNext()){ Row row = iterator.next(); try { List<String> list = Arrays.stream(row.mkString().split(",")).collect(Collectors.toList()); Employee employee = new Employee(list.get(0), Integer.parseInt(list.get(1)), list.get(2), list.get(3)); employeeList.add(employee); } catch (Exception exception) { // 日志记录 // 流式计算中要做到7*24小时不间断，任意一条上流脏数据都可能导致失败，从而导致任务退出，所以这里要做好异常的抓取 exception.printStackTrace(); } } return employeeList.iterator(); } }, Encoders.bean(Employee.class)); // employeeDataset2.show(); /** * +---+----------+--------+----+ * |age|department| level|name| * +---+----------+--------+----+ * | 20| 研发部|普通员工|张三| * | 31| 研发部|普通员工|李四| * | 36| 财务部|普通员工|李丽| * | 38| 研发部| 经理|张伟| * | 25| 人事部|普通员工|杜航| * | 28| 研发部|普通员工|周歌| * +---+----------+--------+----+ */ Dataset<Employee> employeeDatasetFlatmap = reader.flatMap(new FlatMapFunction<Row, Employee>() { @Override public Iterator<Employee> call(Row row) throws Exception { List<Employee> employeeList = new ArrayList<>(); try { List<String> list = Arrays.stream(row.mkString().split(",")).collect(Collectors.toList()); Employee employee = new Employee(list.get(0), Integer.parseInt(list.get(1)), list.get(2), list.get(3)); employeeList.add(employee); Employee employee2 = new Employee(list.get(0)+"_2", Integer.parseInt(list.get(1)), list.get(2), list.get(3)); employeeList.add(employee2); } catch (Exception exception) { exception.printStackTrace(); } return employeeList.iterator(); } }, Encoders.bean(Employee.class)); // employeeDatasetFlatmap.show(); /** * +---+----------+--------+------+ * |age|department| level| name| * +---+----------+--------+------+ * | 20| 研发部|普通员工| 张三| * | 20| 研发部|普通员工|张三_2| * | 31| 研发部|普通员工| 李四| * | 31| 研发部|普通员工|李四_2| * | 36| 财务部|普通员工| 李丽| * | 36| 财务部|普通员工|李丽_2| * | 38| 研发部| 经理| 张伟| * | 38| 研发部| 经理|张伟_2| * | 25| 人事部|普通员工| 杜航| * | 25| 人事部|普通员工|杜航_2| * | 28| 研发部|普通员工| 周歌| * | 28| 研发部|普通员工|周歌_2| * +---+----------+--------+------+ */ RelationalGroupedDataset datasetGroupBy = employeeDataset.groupBy("department"); // 统计每个部门有多少员工 // datasetGroupBy.count().show(); /** * +----------+-----+ * |department|count| * +----------+-----+ * | 财务部| 1| * | 人事部| 1| * | 研发部| 4| * +----------+-----+ */ /** * 每个部门的平均年龄 */ // datasetGroupBy.avg("age").withColumnRenamed("avg(age)","avgAge").show(); /** * +----------+--------+ * |department|avg(age)| * +----------+--------+ * | 财务部| 36.0| * | 人事部| 25.0| * | 研发部| 29.25| * +----------+--------+ */ KeyValueGroupedDataset keyValueGroupedDataset = employeeDataset.groupByKey(new MapFunction<Employee, String>() { @Override public String call(Employee employee) throws Exception { // 返回分组的key,这里表示根据部门进行分组 return employee.getDepartment(); } }, Encoders.STRING()); keyValueGroupedDataset.mapGroups(new MapGroupsFunction() { @Override public Object call(Object key, Iterator iterator) throws Exception { System.out.println("key = " + key); while (iterator.hasNext()){ System.out.println(iterator.next()); } return iterator; /** * key = 人事部 * SparkDemo.Employee(name=杜航, age=25, department=人事部, level=普通员工) * key = 研发部 * SparkDemo.Employee(name=张三, age=20, department=研发部, level=普通员工) * SparkDemo.Employee(name=李四, age=31, department=研发部, level=普通员工) * SparkDemo.Employee(name=张伟, age=38, department=研发部, level=经理) * SparkDemo.Employee(name=周歌, age=28, department=研发部, level=普通员工) * key = 财务部 * SparkDemo.Employee(name=李丽, age=36, department=财务部, level=普通员工) */ } }, Encoders.bean(Iterator.class)) .show(); // 这里的show()没有意义，只是触发计算而已 Employee datasetReduce = employeeDataset.reduce(new ReduceFunction<Employee>() { @Override public Employee call(Employee t1, Employee t2) throws Exception { // 不同的版本看是否需要判断t1 == null t2.setAge(t1.getAge() + t2.getAge()); return t2; } }); System.out.println(datasetReduce); Employee employee = employeeDataset.filter("age > 30").limit(3).sort("age").first(); System.out.println(employee); // SparkDemo.Employee(name=李四, age=31, department=研发部, level=普通员工) employeeDataset.registerTempTable("table"); session.sql("select * from table where age > 30 order by age desc limit 3").show(); /** * +---+----------+--------+----+ * |age|department| level|name| * +---+----------+--------+----+ * | 38| 研发部| 经理|张伟| * | 36| 财务部|普通员工|李丽| * | 31| 研发部|普通员工|李四| * +---+----------+--------+----+ */ } @Getter @Setter @AllArgsConstructor @NoArgsConstructor @ToString public static class Employee implements Serializable { private String name; private Integer age; private String department; private String level; } } spark maven依赖,自行不需要的spark-streaming,kafka依赖去掉。
点击查看代码
<properties> <maven.compiler.source>8</maven.compiler.source> <maven.compiler.target>8</maven.compiler.target> <maven.compiler.source>1.8</maven.compiler.source> <maven.compiler.target>1.8</maven.compiler.target> <scala.version>2.12.15</scala.version> <spark.version>3.2.0</spark.version> <encoding>UTF-8</encoding> </properties> <dependencies> <!-- scala依赖--> <dependency> <groupId>org.scala-lang</groupId> <artifactId>scala-library</artifactId> <version>${scala.version}</version> </dependency> <!-- spark依赖--> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-sql_2.12</artifactId> <version>${spark.version}</version> </dependency> <dependency> <groupId>org.projectlombok</groupId> <artifactId>lombok</artifactId> <version>1.18.2</version> <scope>provided</scope> </dependency> <!--<dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-streaming-kafka-0-10_2.12</artifactId> <version>${spark.version}</version> </dependency>--> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-sql-kafka-0-10_2.12</artifactId> <version>${spark.version}</version> </dependency> <dependency> <groupId>com.google.code.gson</groupId> <artifactId>gson</artifactId> <version>2.7</version> </dependency> <dependency> <groupId>mysql</groupId> <artifactId>mysql-connector-java</artifactId> <version>5.1.34</version> </dependency> </dependencies>
