SparkSql 数据类型转换

SparkSql 数据类型转换

• 1、SparkSql数据类型
• 1.1数字类型
• 1.2复杂类型
• 2、Spark Sql数据类型和Scala数据类型对比
• 3、Spark Sql数据类型转换案例
• 3.1获取Column类
• 3.2测试数据准备
• 3.3spark入口代码
• 3.4测试默认数据类型
• 3.5把数值型的列转为IntegerType
• 3.6Column类cast方法的两种重载
• 4、Spark DateType cast

---

---

原文作者：SunnyRivers

原文地址：SparkSql 数据类型转换

---

---

1、SparkSql数据类型

1.1数字类型

• ByteType：代表一个字节的整数。范围是-128到127
• ShortType：代表两个字节的整数。范围是-32768到32767
• IntegerType：代表4个字节的整数。范围是-2147483648到2147483647
• LongType：代表8个字节的整数。范围是-9223372036854775808到9223372036854775807
• FloatType：代表4字节的单精度浮点数 DoubleType：代表8字节的双精度浮点数
• DecimalType：代表任意精度的10进制数据。通过内部的java.math.BigDecimal支持。BigDecimal由一个任意精度的整型非标度值和一个32位整数组成
• StringType：代表一个字符串值
• BinaryType：代表一个byte序列值
• BooleanType：代表boolean值

Datetime类型：

• TimestampType：代表包含字段年，月，日，时，分，秒的值
• DateType：代表包含字段年，月，日的值

1.2复杂类型

• ArrayType(elementType, containsNull)：代表由elementType类型元素组成的序列值。containsNull用来指明ArrayType中的值是否有null值
• MapType(keyType, valueType, valueContainsNull)：表示包括一组键 - 值对的值。通过keyType表示key数据的类型，通过valueType表示value数据的类型。valueContainsNull用来指明MapType中的值是否有null值
• StructType(fields):表示一个拥有StructFields (fields)序列结构的值
  
  StructField(name, dataType, nullable):代表StructType中的一个字段，字段的名字通过name指定，dataType指定field的数据类型，nullable表示字段的值是否有null值。

2、Spark Sql数据类型和Scala数据类型对比

Spark sql数据类型	Scala数据类型
ByteType	Byte
ShortType	Short
IntegerType	Int
LongType	Long
FloatType	Float
DoubleType	Double
DecimalType	scala.math.BigDecimal
StringType	String
BinaryType	Array[Byte]
BooleanType	Boolean
TimestampType	java.sql.Timestamp
DateType	java.sql.Date
ArrayType	scala.collection.Seq
MapType	scala.collection.Map
StructType	org.apache.spark.sql.Row
StructField	The value type in Scala of the data type of this field (For example, Int for a StructField with the data type IntegerType)

3、Spark Sql数据类型转换案例

调用Column类的cast方法

3.1获取Column类

df("columnName")            // On a specific `df` DataFrame.
col("columnName")           // A generic column not yet associated with a DataFrame.
col("columnName.field")     // Extracting a struct field
col("`a.column.with.dots`") // Escape `.` in column names.
$"columnName"               // Scala short hand for a named column.

3.2测试数据准备

1,tom,23
2,jack,24
3,lily,18
4,lucy,19

3.3spark入口代码

val spark = SparkSession
      .builder()
      .appName("test")
      .master("local[*]")
      .getOrCreate()

3.4测试默认数据类型

spark.read.
      textFile("./data/user")
      .map(_.split(","))
      .map(x => (x(0), x(1), x(2)))
      .toDF("id", "name", "age")
      .dtypes
      .foreach(println)

结果：

(id,StringType)
(name,StringType)
(age,StringType)

3.5把数值型的列转为IntegerType

 import spark.implicits._
    spark.read.
      textFile("./data/user")
      .map(_.split(","))
      .map(x => (x(0), x(1), x(2)))
      .toDF("id", "name", "age")
      .select($"id".cast("int"), $"name", $"age".cast("int"))
      .dtypes
      .foreach(println)

结果：

(id,IntegerType)
(name,StringType)
(age,IntegerType)

3.6Column类cast方法的两种重载

• 第一种
  
  def cast(to: String): Column
  
  Casts the column to a different data type, using the canonical string representation of the type. The supported types are:
  
  string, boolean, byte, short, int, long, float, double, decimal, date, timestamp.

// Casts colA to integer.
df.select(df("colA").cast("int"))
Since
1.3.0

• 第二种
  
  def cast(to: DataType): Column
  
  Casts the column to a different data type.

// Casts colA to IntegerType.
import org.apache.spark.sql.types.IntegerType
df.select(df("colA").cast(IntegerType))

// equivalent to
df.select(df("colA").cast("int"))

4、Spark DateType cast

1. 配置 Spark 的默认时区config(“spark.sql.session.timeZone”, “UTC”), 最直观. 这样直接写 df.select(df.col(“birth”).cast(TimestampType).cast(LongType))
2. 不配置 conf

df.select(from_utc_timestamp(to_utc_timestamp(df.col("birth"), TimeZone.getTimeZone("UTC").getID), TimeZone.getDefault.getID).cast(LongType))

没有配置 UTC：

from_utc_timestamp(to_utc_timestamp(lit("2012-12-11 16:00:00"), TimeZone.getTimeZone("UTC").getID), TimeZone.getDefault.getID)

配置了 UTC: 多了8小时：

from_utc_timestamp(to_utc_timestamp(lit("2012-12-12 00:00:00"), TimeZone.getTimeZone("UTC").getID), TimeZone.getDefault.getID)