Spark高级用法-自定义函数

用户可以根据需求自己封装计算的逻辑，对字段数据进行计算

内置函数，是spark提供的对字段操作的方法，split(字段) 对字段中的数进行切割，F.sum(字段) 会将该字段下的数据进行求和

实际业务中又能内置函数不满足计算需求，此时就需要自定义行数，完成字段数据的业务处

函数分类

udf
- 自定义
- 一进一出
udaf
- 聚合
- 自定义
- 多进一出
udtf
- 爆炸
- 一进多出

UDF函数

对每一行数据以此进行计算，返回每一行的结果

1）不带装饰器

python 复制代码

# UDF函数
from pyspark.sql import SparkSession,functions as F
from pyspark.sql.types import *

ss = SparkSession.builder.getOrCreate()

# 读取文件数据转为df
df = ss.read.csv('hdfs://node1:8020/data/students.csv',header=True,sep=',')

df.show()

# 自定义字符串长度计算函数
# @F.udf(returnType=IntegerType())  # 使用装饰器注册函数，只能在DSL方法中使用，不能在SQL中使用
def len_func(field):
    """
        自定义函数，函数名可以自己指定
    :param field: 是用来结构处理的字段数据，可以定义多个。根据实际处理的字段数量决定定义多少个接收参数
    :return: 返回处理后的数据
    """
    if field is None:
        return 0
    else:
        data = len(field)
        return data

# 将自定义的函数注册到spark中使用
# 参数一 指定spark中使用函数的名
# 参数二  指定自定义函数的名
# 参数三  指定函数的返回值类型
# 接收参数  定义和函数名一样的值
len_func = ss.udf.register('len_func',len_func,returnType = IntegerType())

# 在spark中使用
df2 = df.select('id','name','gender',len_func('name'))
df2.show()


# 使用sql语句
df.createTempView('stu')

df3 = ss.sql('select * ,len_FUNC(name) from stu')
df3.show()

2）带有装饰器

python 复制代码

# UDF函数
from pyspark.sql import SparkSession,functions as F
from pyspark.sql.types import *

ss = SparkSession.builder.getOrCreate()

# 读取文件数据转为df
df = ss.read.csv('hdfs://node1:8020/data/students.csv',header=True,sep=',')

df.show()

# 自定义字符串长度计算函数
@F.udf(returnType=IntegerType())  # 使用装饰器注册函数，只能在DSL方法中使用，不能在SQL中使用
def len_func(field):
    """
        自定义函数，函数名可以自己指定
    :param field: 是用来结构处理的字段数据，可以定义多个。根据实际处理的字段数量决定定义多少个接收参数
    :return: 返回处理后的数据
    """
    if field is None:
        return 0
    else:
        data = len(field)
        return data

# 在spark中使用
df2 = df.select('id','name','gender',len_func('name'))
df2.show()

装饰器注册

只能在DSL方法中使用，在sql语句中无法使用

UDAF函数

多进一出主要是聚合

使用pandas中的series实现，可以读取一列数据存储在pandas的seriess中进行数据的聚合

python 复制代码

# 读取文件数据转为df
df = ss.read.csv('hdfs://node1:8020/data/students.csv',header=True,sep=',',schema='id int,name string,gender string,age int,cls string')

df.show()

# 自定义udaf函数
# 装饰器注册
@F.pandas_udf(returnType=IntegerType())
# 自定义udaf函数
# fileds:pd.Series 给数据字段指定一个类型
#  -> float 指定返回值类型
# udaf函数注册需要两步，第一步现指定装饰器
def sub(filed:pd.Series) -> int:
    """
        自定义udaf函数，实现累减
    :param field: 接收的字段列数据  pd.Series声明字段数据的类型,接收一列数据可以使用pandas的series类型
    :return:
    """
    # field是series，就按照series方式操作
    n = filed[0] # 取出第一个值作为初始值

    for i in filed[1::]:
        n-=i
    return n

# regidter方法注册
sub = ss.udf.register('sub',sub)

# 使用udaf函数  缺少  PyArrow  pandas中series类型交个spark程序无法识别，spark是有scala实现，scala中没有对应的series类型
# 可以使用 PyArrow框架将series转为scale能识别的数据类型
df2 = df.select(sub('age'))
df2.show()

arrow框架 pyarrow
- Apache Arrow 是一种内存中的列式数据格式，用于Spark中，以在JVM和Python进程之间有效地传输数据。目前这对使用 Pandas/NumPy 数据的 Python 用户最有益，提升传输速度。
- 在线安装三台机器安装
  - 进入虚拟环境 conda activate base
  - 在线安装 pip install pyspark $sql$ -i Verifying - USTC Mirrors
- 离线安装三台机器安装
  - pip install pyarrow-10.0.0-cp38-cp38-manylinux_2_17_x86_64.manylinux2014_x86_64.whl

安装pyarrow

python 复制代码

conda activate base
pip install pyspark[sql] -i  https://pypi.mirrors.ustc.edu.cn/simple/