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'])

    						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()