pyspark执行group by操作

前情提要

在处理亿级别数据时，常常输入是hive表，因此需要在pypark流程中引入一些场景sql操作，其中group by就是比较常见的操作。

基础步骤

1. 创建SparkSession：通过enableHiveSupport()方法启用Hive支持，确保能够访问Hive表。
2. 加载数据：使用spark.sql()方法从Hive表中加载数据到DataFrame。
3. 分组聚合操作：使用groupBy方法按field1和field2进行分组，并使用agg方法结合sum函数对field3进行求和操作。alias方法用于为聚合结果指定别名。
4. 显示结果：使用show方法显示聚合结果。
5. 停止SparkSession：最后停止SparkSession以释放资源。通常该步骤不需要，但是在例行化任务中，会偶发任务已执行完成，但是仍然占用资源情况，所以该步骤最好加上

代码展示

from pyspark.sql import SparkSession
from pyspark.sql.functions import sum

# 创建SparkSession并启用Hive支持
spark = SparkSession.builder \
    .appName("GroupByExample") \
    .enableHiveSupport() \
    .getOrCreate()

# 假设已在Hive中创建了一个名为your_table_name的表
# 该表有字段: field1, field2, field3

# 从Hive表中加载数据
df = spark.sql("SELECT * FROM your_table_name")

# 使用groupBy和sum函数进行分组聚合操作
result_df = df.groupBy("field1", "field2").agg(sum("field3").alias("sum_field3"))

# 显示结果
result_df.show()

# 停止SparkSession
spark.stop()