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
Code季风36 分钟前
微服务分布式配置中心:Gin Web 服务层与 gRPC 服务层集成 Nacos 实战
分布式·微服务·rpc·架构·go·gin·consul
王小王-1232 小时前
基于Hadoop的用户购物行为可视化分析系统设计与实现
大数据·hadoop·分布式·用户购物行为·电商日志分析
sql2008help3 小时前
5-Kafka-replication(副本机制)概念
分布式·kafka
草履虫建模4 小时前
Redis:高性能内存数据库与缓存利器
java·数据库·spring boot·redis·分布式·mysql·缓存
Jay Kay12 小时前
TensorFlow内核剖析:分布式TensorFlow架构解析与实战指南
分布式·架构·tensorflow
亿牛云爬虫专家13 小时前
Kubernetes下的分布式采集系统设计与实战:趋势监测失效引发的架构进化
分布式·python·架构·kubernetes·爬虫代理·监测·采集
群联云防护小杜19 小时前
构建分布式高防架构实现业务零中断
前端·网络·分布式·tcp/ip·安全·游戏·架构
爱吃面的猫19 小时前
大数据Hadoop之——Flink1.17.0安装与使用(非常详细)
大数据·hadoop·分布式
zhuiQiuMX20 小时前
脉脉maimai面试死亡日记
数据仓库·sql·面试
上上迁21 小时前
分布式生成 ID 策略的演进和最佳实践,含springBoot 实现(Java版本)
java·spring boot·分布式