大数据学习day29-----spark09-------1. 练习: 统计店铺按月份的销售额和累计到该月的总销售额(SQL, DSL,RDD) 2. 分组topN的实现(row_number(), rank(), dense_rank()方法的区别)3. spark自定义函数-UDF
1. 练习
数据:
(1)需求1:统计有过连续3天以上销售的店铺有哪些,并且计算出连续三天以上的销售额
第一步:将每天的金额求和(同一天可能会有多个订单)
SELECT
sid,dt,SUM(money) day_money
FROM
v_orders
GROUP BY sid,dt
第二步:给每个商家中每日的订单按时间排序并打上编号
SELECT
sid,dt,day_money,
ROW_NUMBER() OVER(PARTITION BY sid ORDER BY dt) rn
FROM
(
SELECT
sid,dt,SUM(money) day_money
FROM
v_orders
GROUP BY sid,dt
) t1
第三步:获取date与rn的差值的字段
SELECT
sid ,dt,day_money,date_sub(dt,rn) diff
FROM
(
SELECT
sid,dt,day_money,
ROW_NUMBER() OVER(PARTITION BY sid ORDER BY dt) rn
FROM
(
SELECT
sid,dt,SUM(money) day_money
FROM
v_orders
GROUP BY sid,dt
) t1
) t2
第四步: 最终结果
SELECT
sid,MIN(dt),MAX(dt),SUM(day_money) cmoney,COUNT(*) cc
FROM
(
SELECT
sid ,dt,day_money,date_sub(dt,rn) diff
FROM
(
SELECT
sid,dt,day_money,
ROW_NUMBER() OVER(PARTITION BY sid ORDER BY dt) rn
FROM
(
SELECT
sid,dt,SUM(money) day_money
FROM
v_orders
GROUP BY sid,dt
) t1
) t2
)
GROUP BY sid,diff
HAVING cc >=3
(2)需求2:统计店铺按月份的销售额和累计到该月的总销售额
- SQL风格(只写sq语句,省略代码部分)
SELECT
sid,month,month_sales,
SUM(month_sales) OVER(PARTITION BY sid ORDER BY month) total_sales // 默认是其实位置到当前位置的累加
--PARTITION BY sid ORDER BY mth ASC ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW 完整的写法
FROM
(
SELECT
sid,
DATE_FORMAT(dt,'yyyy-MM') month,
--substr(dt,1,7) month, 用此函数来取月份也行
SUM(money) month_sales
FROM
v_orders
GROUP BY sid, month
)
结果
- DSL风格
object RollupMthIncomeDSL {
def main(args: Array[String]): Unit = {
// 创建SparkSession
val spark: SparkSession = SparkSession.builder()
.appName(this.getClass.getSimpleName)
.master("local[*]")
.getOrCreate()
// 读取文件创建DataSet
val orders: DataFrame = spark.read
.option("header", "true")
.option("inferSchema", "true") // inferSchema为true可以自动推测数据的类型,默认false,则所有的数据都是String类型的
.csv("F:\\大数据第三阶段\\spark\\spark-day09\\资料\\order.csv")
import spark.implicits._
import org.apache.spark.sql.functions._
// 获取月份,并按照sid和月份进行分组,聚合
val result: DataFrame = orders.groupBy($"sid", date_format($"dt", "yyyy-MM") as "month")
.agg(sum($"money") as "month_sales")
// withColumn相当于在原有基础上再增加一列,此处使用select重新获取表也行
//.select('sid, 'month, 'month_sales, sum('month_sales) over(Window.partitionBy('sid)
// .orderBy('month).rowsBetween(Window.unboundedPreceding, Window.currentRow)) as "rollup_sales")
.withColumn("rollup_sales", sum('month_sales) over (Window.partitionBy('sid) // 'sid相当于$"sid"
.orderBy('month).rowsBetween(Window.unboundedPreceding, Window.currentRow)))
result.show()
spark.stop()
}
}
- RDD风格
object RollupMthIncomeRDD {
def main(args: Array[String]): Unit = {
// 创建SparkContext
val conf = new SparkConf()
.setAppName(this.getClass.getName)
.setMaster("local[*]")
val sc: SparkContext = new SparkContext(conf)
val lines: RDD[String] = sc.textFile("F:\\大数据第三阶段\\spark\\spark-day09\\资料\\order.csv")
val reduced: RDD[((String, String), Double)] = lines.map(line => {
val fields: Array[String] = line.split(",")
val sid: String = fields(0)
val dateStr: String = fields(1)
val month: String = dateStr.substring(0, 7)
val money: Double = fields(2).toDouble
((sid, month), money)
}).reduceByKey(_ + _)
// 按照shop id分组
val result: RDD[(String, String, String, Double)] = reduced.groupBy(_._1._1).mapValues(it => {
//将迭代器中的数据toList放入到内存
//并且按照月份排序【字典顺序】
val sorted: List[((String, String), Double)] = it.toList.sortBy(_._1._2)
var rollup = 0.0
sorted.map(t => {
val sid = t._1._1
val month = t._1._2
val month_sales = t._2
rollup += month_sales
(sid, month, rollup)
})
}).flatMapValues(lst => lst).map(t => (t._1, t._2._1, t._2._2, t._2._3))
result.foreach(println)
sc.stop()
}
}
注意点:可以直接读取csv文件获取DataFram,再获取rdd,如下
2. 分组topN的实现(大数据学习day21中的计算学科最受欢迎老师topN)
- SQL
注意点:此处的文件格式是text的,所以需要用SparkContext的textFile方法来读取数据,然后处理此数据,得到需要的字段(subject,teacher),再利用toDF("subject", "teacher")方法获取对应的DataFrame,从而创建相应的视图
object FavoriteTeacherSQL {
def main(args: Array[String]): Unit = {
val spark: SparkSession = SparkSession.builder()
.appName(this.getClass.getSimpleName)
.master("local[*]")
.getOrCreate()
import spark.implicits._
val lines: RDD[String] = spark.sparkContext.textFile("E:\\javafile\\spark\\teacher100.txt")
// 处理数据,获取DataFrame,用于创建视图
val df: DataFrame = lines.map(line => {
val fields = line.split("/")
val subject = fields(2).split("\\.")(0)
val teacher = fields(3)
(subject, teacher)
}).toDF("subject", "teacher")
// 创建视图
df.createTempView("v_teacher") var topN: Int = 2
// SQL实现分组topN
spark.sql(
s"""
|SELECT
| subject,teacher,counts
| rk
|FROM
|(
| SELECT
| subject,teacher,counts,
| RANK() OVER(PARTITION BY subject ORDER BY counts DESC) rk
| FROM
| (
| SELECT
| subject,teacher,
| count(*) counts
| FROM
| v_teacher
| GROUP BY subject, teacher
| ) t1
|) t2 WHERE rk <= $topN
|""".stripMargin).show()
}
}
此处的小知识点:
row_number(), rank(), dense_rank()方法的区别
row_number() over() 打行号,行号从1开始
rank() over() 排序,有并列,如果有两个第1,就没有第2了,然后直接第3,跳号
dense_rank() over() 排序,有并列,不跳号
- DSL
object FavoriteTeacherDSL {
def main(args: Array[String]): Unit = {
val spark: SparkSession = SparkSession.builder()
.appName(this.getClass.getSimpleName)
.master("local[*]")
.getOrCreate()
import spark.implicits._
val lines: RDD[String] = spark.sparkContext.textFile("E:\\javafile\\spark\\teacher100.txt")
// 处理数据,获取DataFrame,用于创建视图
val df: DataFrame = lines.map(line => {
val fields = line.split("/")
val subject = fields(2).split("\\.")(0)
val teacher = fields(3)
(subject, teacher)
}).toDF("subject", "teacher")
import org.apache.spark.sql.functions._
df.groupBy("subject","teacher")
.agg(count("*") as "counts")
.withColumn("rk",dense_rank().over(Window.partitionBy($"subject").orderBy($"counts" desc)) )
.filter('rk <= 2)
.show() spark.stop()
}
}
3. spark自定义函数-UDF
UDF:一进一出(输入一行,返回一行)
UDTF: 一进多出
UDAF: 多进一出
object MyConcatWsUDF {
def main(args: Array[String]): Unit = {
val spark = SparkSession.builder().appName(this.getClass.getSimpleName)
.master("local[*]")
.getOrCreate()
import spark.implicits._
val tp: Dataset[(String, String)] = spark.createDataset(List(("aaa", "bbb"), ("aaa", "ccc"), ("aaa", "ddd")))
val df: DataFrame = tp.toDF("f1", "f2")
//注册自定义函数
//MY_CONCAT_WS函数名称
//后面传入的scala的函数就是具有的实现逻辑
spark.udf.register("MY_CONCAT_WS", (s: String, first: String, second:String) => {
first + s + second
}) import org.apache.spark.sql.functions._
//df.selectExpr("CONCAT_WS('-', f1, f2) as f3")
//df.select(concat_ws("-", $"f1", 'f2) as "f3").show()
//df.selectExpr("MY_CONCAT_WS('_', f1, f2) as f3").show()
df.createTempView("v_data") spark.sql(
"""
|SELECT MY_CONCAT_WS('-', f1, f2) f3 FROM v_data
""".stripMargin).show()
spark.stop()
}
}
大数据学习day29-----spark09-------1. 练习: 统计店铺按月份的销售额和累计到该月的总销售额(SQL, DSL,RDD) 2. 分组topN的实现(row_number(), rank(), dense_rank()方法的区别)3. spark自定义函数-UDF的更多相关文章
- Spark(十三)SparkSQL的自定义函数UDF与开窗函数
一 自定义函数UDF 在Spark中,也支持Hive中的自定义函数.自定义函数大致可以分为三种: UDF(User-Defined-Function),即最基本的自定义函数,类似to_char,to_ ...
- 大数据学习——hive函数
1 内置函数 测试各种内置函数的快捷方法: 1.创建一个dual表 create table dual(id string); 2.load一个文件(一行,一个空格)到dual表 3.select s ...
- 大数据学习系列之六 ----- Hadoop+Spark环境搭建
引言 在上一篇中 大数据学习系列之五 ----- Hive整合HBase图文详解 : http://www.panchengming.com/2017/12/18/pancm62/ 中使用Hive整合 ...
- 大数据学习系列之七 ----- Hadoop+Spark+Zookeeper+HBase+Hive集群搭建 图文详解
引言 在之前的大数据学习系列中,搭建了Hadoop+Spark+HBase+Hive 环境以及一些测试.其实要说的话,我开始学习大数据的时候,搭建的就是集群,并不是单机模式和伪分布式.至于为什么先写单 ...
- 大数据学习系列之九---- Hive整合Spark和HBase以及相关测试
前言 在之前的大数据学习系列之七 ----- Hadoop+Spark+Zookeeper+HBase+Hive集群搭建 中介绍了集群的环境搭建,但是在使用hive进行数据查询的时候会非常的慢,因为h ...
- SparkSQL中的自定义函数UDF
在Spark中,也支持Hive中的自定义函数.自定义函数大致可以分为三种: UDF(User-Defined-Function),即最基本的自定义函数,类似to_char,to_date等 UDAF( ...
- 大数据学习(一) | 初识 Hadoop
作者: seriouszyx 首发地址:https://seriouszyx.top/ 代码均可在 Github 上找到(求Star) 最近想要了解一些前沿技术,不能一门心思眼中只有 web,因为我目 ...
- 大数据学习笔记——Hadoop编程实战之Mapreduce
Hadoop编程实战——Mapreduce基本功能实现 此篇博客承接上一篇总结的HDFS编程实战,将会详细地对mapreduce的各种数据分析功能进行一个整理,由于实际工作中并不会过多地涉及原理,因此 ...
- 10_Hive自定义函数UDF
Hive官方的UDF手册地址是:https://cwiki.apache.org/confluence/display/Hive/LanguageManual+UDF 1.使用内置函数的快捷方法: 创 ...
随机推荐
- 第07课 OpenGL 光照和键盘(2)
下一段代码绘制贴图立方体.我只对新增的代码进行注解.如果您对没有注解的代码有疑问,回头看看第六课. int DrawGLScene(GLvoid) // 从这里开始进行所有的绘制 { glClear( ...
- 痞子衡嵌入式:聊聊i.MXRT1xxx上的普通GPIO与高速GPIO差异及其用法
大家好,我是痞子衡,是正经搞技术的痞子.今天痞子衡给大家介绍的是i.MXRT上的普通GPIO与高速GPIO差异. GPIO 可以说是 MCU 上最简单最常用的外设模块了,当一些原生功能外设接口模块不能 ...
- 【Python+postman接口自动化测试】(2)什么是接口?
接口的概念 接口又称API(Application Programming Interface,应用程序编程接口),是一些预先定义的函数,目的是提供应用程序与开发人员基于某软件或硬件得以访问一组例程的 ...
- 【Java】String、StringBuffer、StringBuilder
java.lang.String类 概述 String:代表字符串.Java 程序中的所有字符串字面值(如 "abc" )都作为此类的实例实现 String声明为final,不可被 ...
- Spring 之 BeanFactory 源码 - 抽象/类 分析
BeanFactory的基本类体系结构(类为主):
- PHP 数组函数分类整理
1.处理数组键名相关的函数: array_change_key_case - 返回字符串键名全为小写或大写的数组. array_key_exists - 检查给定的键名或索引是否存在于数组中 arra ...
- 菜鸡的Java笔记 - java 常用类库
CommonClassLibrary 常用类库 定时调度 定时调度指的是每到一个时刻,都会自动的产生某些特定的操作形式 con ...
- logstash的filter之grok
logstash的filter之grokLogstash中的filter可以支持对数据进行解析过滤. grok:支持120多种内置的表达式,有一些简单常用的内容就可以使用内置的表达式进行解析 http ...
- [loj3146]路灯
显然,能从$l$到$r$当且仅当$[l,r)$中的灯全部都亮,以下不妨令询问的$r$全部减1 当修改节点$x$时,找到包含$x$的极大的灯(除$x$以外)全部都亮的区间$[l,r]$,即令$l_{0} ...
- [cf787E]Till I Collapse
考虑对询问分块,对于i<K的询问,暴力处理,时间复杂度为o(Kn):对于i>K的询问,发现答案都小于n/K且满足单调性,那么可以二分出每一段相同的答案,时间复杂度为$o(n^{2}log_ ...