如何在 spark 数据集上使用 group by

Posted 2023-03-12

【中文标题】如何在 spark 数据集上使用 group by

【英文标题】：how to use group by on spark dataset

【发布时间】：2016-10-15 02:11:59

【问题描述】：

我正在使用 Spark 数据集（Spark 1.6.1 版本）。 下面是我的代码

object App  

val conf = new SparkConf()
.setMaster("local")
.setAppName("SparkETL")

val sc = new SparkContext(conf)
sc.setLogLevel("ERROR")
val sqlContext = new SQLContext(sc);
import sqlContext.implicits._



override def readDataTable(tableName:String):DataFrame=
val dataFrame= App.sqlContext.read.jdbc(JDBC_URL, tableName, JDBC_PROP);
return dataFrame;



case class Student(stud_id , sname , saddress)
case class Student(classid, stud_id, name)


var tbl_student = JobSqlDAO.readDataTable("tbl_student").filter("stud_id = '" + studId + "'").as[Student].as("tbl_student")

var tbl_class_student = JobSqlDAO.readDataTable("tbl_class_student").as[StudentClass].as("tbl_class_student")


 var result = tbl_class_student.joinWith(tbl_student, $"tbl_student.stud_id" === $"tbl_class_student.stud_id").as("ff")

现在我想在多个列上执行 group by 子句？ 怎么做？ result.groupBy(_._1._1.created_at)这样可以吗？ 如果是，那么我无法将结果视为一个组，如何在多列上执行此操作？

【参考方案1】：

如果我正确理解了您的要求，您最好的选择是在PairRDDFunctions 类中使用reduceByKey 函数。

函数的签名是def reduceByKey(func: (V, V) ⇒ V): RDD[(K, V)]，它只是意味着你使用了一系列的键/值对。

让我解释一下工作流程：

您检索要使用的集合（在您的代码中：result） 使用 RDD map 函数，您可以将结果集拆分为一个元组，该元组包含两个子元组，其中包含组成键的字段和要聚合的字段（例如：result.map(row => ((row.key1, row.key2), (row.value1, row.value2))） 现在您有了一个 RDD[(K,V)]，其中类型 K 是键字段元组的类型，V 是值字段元组的类型 您可以直接使用reduceByKey，方法是传递一个(V,V) => V 类型的函数来聚合值（例如：(agg: (Int, Int), val: (Int, Int)) => (agg._1 + val._1, agg._2 + val._2)）

请注意：

您必须从聚合函数返回相同的值类型 您必须导入 org.apache.spark.SparkContext._ 才能自动使用 PairRDDFunctions 实用函数 groupBy 也是如此，您必须从起始 RDD 映射到一对 RDD[K,V]，但您没有聚合函数，因为您只是将值存储在 seq 中以供进一步计算李> 如果您需要聚合的起始值（例如：0 表示计数），请改用 foldByKey 函数