SparkSQL和Hive语法差异

SparkSQL和Hive语法差异

1、仅支持Hive

  1. SparkSQL关联条件on不支持函数rand()
  2. 创建零时表时,Spark不支持直接赋值null
  3. Spark无法读取字段类型为void的表
  4. SparkSQL中如果表达式没有指定别名,SparkSQL会将整个表达式作为别名,如果表达式中包含特殊字符(如逗号)。则CTAS建表会失败

2、仅支持SparkSQL

SparkSQL允许在join on条件中使用or等不等式值关联语句,Hive中不允许,只能用等值关联

3、相同函数差异

  1. Spark运行时用到的hash函数,与hive的哈希算法不同,如果使用hash(),结果和hive的hash()会有差异
  2. Hive和sparkSQL使用grouping sets生成的grouping_id不一致
  3. regexp_extract未匹配上的话,hive里回的是null,但是在spark里返回的是空字符
  4. sparkSQL中的row_number的over中不能省略sort by 或order by
  5. grouping_id()函数生成的数据不同
  6. reflect()函数中,如果入参有非法数据或者null,hive会返回null,而spark会抛出异常

创建DataFrame

Row 类型 表示一行数据

  • datafram就算是多行构成

    Row行数据操作

    导入行类

    from pyspark.sql import Row
    定义每行数据 有两种获取方法=重点
    r1 = Row(id=1,name='张三')
    r2 = Row(id=2,name='李四')

    操作每行数据

    获取对应字段数据

    print(r1.id)
    print(r1.name)
    print(r2['id'])
    print(r2['name'])

    复制代码
      						定义行数据不指定字段 = 只有一种获取方法

    r3 = Row(3,'王五')
    print(r3[1])

    df.printSchema()

schema表信息(这种指定表信息的更不常用

  • 定义dataframe中的表的字段名和字段类型

    导入数据类型

    from pyspark.sql.types import *

    定义schema信息

    使用StructType类进行定义

    add()方法是指定字段信息

    第一参数,字段名

    第二个参数,字段信息

    第三个参数是否允许为空值 默认是True,允许为空

    schema_type = StructType().
    add('id',IntegerType()).
    add('name',StringType()).
    add('age',IntegerType(),False)

    df.printSchema()

    导入行类Row

    from pyspark.sql import SparkSession, Row
    from pyspark.sql.types import *

    创建行数据

    r1 = Row(id=1, name='张三', age=20)
    r2 = Row(id=2, name='李四', age=22)

    创建元数据

    schema = StructType().
    add('id', IntegerType()).
    add('name', StringType()).
    add('age', IntegerType())

    创建dataframe

    生成sparksession对象 按照固定写法创建

    ss = SparkSession.builder.getOrCreate()

    使用sparksession对象方法创建df

    createDataFrame 第一参数是一个列表数据,将每行数据放入列表

    第二个参数指定表元数据信息

    df是一个dataframe类型的对象

    df = ss.createDataFrame([r1, r2], schema=schema)

    dataframe数据的操作

    查看df数据

    df.show() # 查看所有数据,超过20行时,默认只显示20行

    查看元信息

    df.printSchema()

相关推荐
KIDAKN1 天前
RabbitMQ 初步认识
分布式·rabbitmq
pan3035074791 天前
Kafka 和 RabbitMQ的选择
分布式·kafka·rabbitmq
hzulwy1 天前
Kafka基础理论
分布式·kafka
howard20051 天前
VMWare上搭建Hive集群
hive·hadoop
aristo_boyunv1 天前
拦截器和过滤器(理论+实操)
java·数据仓库·hadoop·servlet
明达智控技术1 天前
MR30分布式IO在全自动中药煎药机中的应用
分布式·物联网·自动化
jakeswang1 天前
细说分布式ID
分布式
计算机毕业设计木哥1 天前
计算机毕设选题:基于Python+Django的B站数据分析系统的设计与实现【源码+文档+调试】
java·开发语言·后端·python·spark·django·课程设计
失散131 天前
分布式专题——1.2 Redis7核心数据结构
java·数据结构·redis·分布式·架构
王中阳Go1 天前
头一次见问这么多kafka的问题
分布式·kafka