如果你会任意一门语言的stream流，没道理不会大数据开发。
俗话说男追女隔座山，女追男隔层纱。 如果说零基础学大数据，感觉前面是一座山，那么只要你会java或者任意一门语言的stream流，那大数据就只隔了一层纱。
本文以java stream流计算为例，讲解一些基础的spark操作。另一个流行的大数据框架flink同理。
一、准备工作
测试数据,以下列分别表示姓名，年龄，部门，职位。
张三,20,研发部,普通员工
李四,31,研发部,普通员工
李丽,36,财务部,普通员工
张伟,38,研发部,经理
杜航,25,人事部,普通员工
周歌,28,研发部,普通员工
创建一个 Employee 类：
@Getter
@Setter
@AllArgsConstructor
@NoArgsConstructor
@ToString
static
class Employee implements Serializable {private String name;private Integer age;private String department;private String level;
}
版本： jdk:1.8 spark:3.2.0 scala:2.12.15。
上面的 scala 版本只是spark框架本身需要依赖到 scala。
因为 scala 确实是比较小众的语言，本文还是使用 java 演示 spark 代码。
map类：
java stream map：
map 表示一对一操作。将上游数据的一行数据进行任意操作，最终得到操作后的一条数据。 这种思想，在 java 和 spark，flink 都是一致的。
我们先用 java stream 演示读取文件，再使用map操作将每行数据映射为Employee对象。
List<String> list = FileUtils.readLines(new File("f:/test.txt"), "utf-8");
List<Employee> employeeList = list.stream().map(word -> {List<String> words = Arrays.stream(word.split(",")).collect(Collectors.toList());Employee employee = new Employee(words.get(0), Integer.parseInt(words.get(1)), words.get(2), words.get(3));return employee;
}).collect(Collectors.toList());employeeList.forEach(System.out::println);
转换后的数据：
JavaStreamDemo.Employee(name=张三, age=20, department=研发部, level=普通员工)
JavaStreamDemo.Employee(name=李四, age=31, department=研发部, level=普通员工)
JavaStreamDemo.Employee(name=李丽, age=36, department=财务部, level=普通员工)
JavaStreamDemo.Employee(name=张伟, age=38, department=研发部, level=经理)
JavaStreamDemo.Employee(name=杜航, age=25, department=人事部, level=普通员工)
JavaStreamDemo.Employee(name=周歌, age=28, department=研发部, level=普通员工)
spark map：
首先得到一个 SparkSession 对象，读取文件，得到一个 DataSet 弹性数据集对象。
SparkSession session = SparkSession.builder().master("local[*]").getOrCreate();
Dataset<Row> reader = session.read().text("F:/test.txt");
reader.show();
这里的 show() 就是打印输出当前数据集，它是一个 action 类的算子。
得到结果：
+-----------------------+
| value|
+-----------------------+
|张三,20,研发部,普通员工|
|李四,31,研发部,普通员工|
|李丽,36,财务部,普通员工|
| 张伟,38,研发部,经理|
|杜航,25,人事部,普通员工|
|周歌,28,研发部,普通员工|
+-----------------------+
现在我们拿到了基础数据，我们使用map一对一操作，将一行行数据转换为Employee对象。 我们这里不使用lamda表达式，让大家看得更加清晰。
这里实现了MapFunction接口里的call方法，每次拿到一行数据，我们这里进行切分，再转换为对象。
1、需要特别指出的一点是，与后端WEB应用有一个统一异常处理不同的是，大数据应用，特别是流式计算，要保证7*24在线，需要对每个算子进行异常捕获。 因为你不知道上游数据清洗到底怎么样，很可能拿到一条脏数据，处理的时候抛出异常，如果没有捕获处理，那么整个应用就会挂掉。
2、spark的算子分为Transformation和Action两种类型。Transformation会开成一个DAG图，具有lazy延迟性，它只会从一个dataset(rdd/df)转换成另一个dataset(rdd/df)，只有当遇到action类的算子才会真正执行。 我们今天会演示的算子都是Transformation类的算子。
典型的Action算子包括show,collect,save之类的。比如在本地进行show查看结果，或者完成运行后save到数据库，或者HDFS。
spark执行时分为driver和executor。但不是本文的重点，不会展开讲。 只需要注意driver端会将代码分发到各个分布式系统的节点executor上，它本身不会参与计算。一般来说，算子外部，如以下示例代码的a处会在driver端执行，b处算子内部会不同服务器上的executor端执行。 所以在算子外部定义的变量，在算子内部使用的时候要特别注意！！ 不要想当然地以为都是一个main方法里写的代码，就一定会在同一个JVM里。
这里涉及到序列化的问题，同时它们分处不同的JVM，使用"=="比较的时候也可能会出问题！！
这是一个后端WEB开发转向大数据开发时，这个思想一定要转变过来。
简言之，后端WEB服务的分布式是我们自己实现的，大数据的分布式是框架天生帮我们实现的。
MapFunction：
// a 算子外部，driver端
Dataset<Employee> employeeDataset = reader.map(new MapFunction<Row, Employee>() {@Overridepublic Employee call(Row row) throws Exception {// b 算子内部，executor端Employee employee = null;try {// gson.fromJson(); 这里使用gson涉及到序列化问题List<String> list = Arrays.stream(row.mkString().split(",")).collect(Collectors.toList());employee = new Employee(list.get(0), Integer.parseInt(list.get(1)), list.get(2), list.get(3));} catch (Exception exception) {// 日志记录// 流式计算中要做到7*24小时不间断，任意一条上流脏数据都可能导致失败，从而导致任务退出，所以这里要做好异常的抓取exception.printStackTrace();}return employee;}}, Encoders.bean(Employee.class));employeeDataset.show();
输出：
+---+----------+--------+----+
|age|department| level|name|
+---+----------+--------+----+
| 20| 研发部|普通员工|张三|
| 31| 研发部|普通员工|李四|
| 36| 财务部|普通员工|李丽|
| 38| 研发部| 经理|张伟|
| 25| 人事部|普通员工|杜航|
| 28| 研发部|普通员工|周歌|
MapPartitionsFunction：
spark中 map和mapPartitions有啥区别？
map 是 1 条 1 条处理数据。 mapPartitions 是一个分区一个分区处理数据。
后者一定比前者效率高吗？
不一定，看具体情况。
这里使用前面 map 一样的逻辑处理。可以看到在 call 方法里得到的是一个 Iterator 迭代器，是一批数据。
得到一批数据，然后再一对一映射为对象，再以 Iterator 的形式返回这批数据。
Dataset<Employee> employeeDataset2 = reader.mapPartitions(new MapPartitionsFunction<Row, Employee>() {@Overridepublic Iterator<Employee> call(Iterator<Row> iterator) throws Exception {List<Employee> employeeList = new ArrayList<>();while (iterator.hasNext()){Row row = iterator.next();try {List<String> list = Arrays.stream(row.mkString().split(",")).collect(Collectors.toList());Employee employee = new Employee(list.get(0), Integer.parseInt(list.get(1)), list.get(2), list.get(3));employeeList.add(employee);} catch (Exception exception) {// 日志记录// 流式计算中要做到7*24小时不间断，任意一条上流脏数据都可能导致失败，从而导致任务退出，所以这里要做好异常的抓取exception.printStackTrace();}}return employeeList.iterator();}
}, Encoders.bean(Employee.class));employeeDataset2.show();
输出结果跟 map 一样，这里就不贴出来了。
flatMap类
map和flatMap有什么区别？
map是一对一，flatMap是一对多。 当然在java stream中，flatMap 叫法叫做扁平化。
这种思想，在java和spark,flink都是一致的。
java stream flatMap：
以下代码将1条原始数据映射到2个对象上并返回。
List<Employee> employeeList2 = list.stream().flatMap(word -> {
List<String> words = Arrays.stream(word.split(",")).collect(Collectors.toList());
List<Employee> lists = new ArrayList<>();
Employee employee = new Employee(words.get(0), Integer.parseInt(words.get(1)), words.get(2), words.get(3));
lists.add(employee);
Employee employee2 = new Employee(words.get(0)+"_2", Integer.parseInt(words.get(1)), words.get(2), words.get(3));
lists.add(employee2);
return lists.stream();
}).collect(Collectors.toList());
employeeList2.forEach(System.out::println);
输出
JavaStreamDemo.Employee(name=张三, age=20, department=研发部, level=普通员工)
JavaStreamDemo.Employee(name=张三_2, age=20, department=研发部, level=普通员工)
JavaStreamDemo.Employee(name=李四, age=31, department=研发部, level=普通员工)
JavaStreamDemo.Employee(name=李四_2, age=31, department=研发部, level=普通员工)
JavaStreamDemo.Employee(name=李丽, age=36, department=财务部, level=普通员工)
JavaStreamDemo.Employee(name=李丽_2, age=36, department=财务部, level=普通员工)
JavaStreamDemo.Employee(name=张伟, age=38, department=研发部, level=经理)
JavaStreamDemo.Employee(name=张伟_2, age=38, department=研发部, level=经理)
JavaStreamDemo.Employee(name=杜航, age=25, department=人事部, level=普通员工)
JavaStreamDemo.Employee(name=杜航_2, age=25, department=人事部, level=普通员工)
JavaStreamDemo.Employee(name=周歌, age=28, department=研发部, level=普通员工)
JavaStreamDemo.Employee(name=周歌_2, age=28, department=研发部, level=普通员工)
spark flatMap：
这里实现FlatMapFunction的call方法，一次拿到1条数据，然后返回值是Iterator，所以可以返回多条。
Dataset<Employee> employeeDatasetFlatmap = reader.flatMap(new FlatMapFunction<Row, Employee>() {@Overridepublic Iterator<Employee> call(Row row) throws Exception {List<Employee> employeeList = new ArrayList<>();try {List<String> list = Arrays.stream(row.mkString().split(",")).collect(Collectors.toList());Employee employee = new Employee(list.get(0), Integer.parseInt(list.get(1)), list.get(2), list.get(3));employeeList.add(employee);Employee employee2 = new Employee(list.get(0)+"_2", Integer.parseInt(list.get(1)), list.get(2), list.get(3));employeeList.add(employee2);} catch (Exception exception) {exception.printStackTrace();}return employeeList.iterator();}
}, Encoders.bean(Employee.class));
employeeDatasetFlatmap.show();
输出
+---+----------+--------+------+
|age|department| level| name|
+---+----------+--------+------+
| 20| 研发部|普通员工| 张三|
| 20| 研发部|普通员工|张三_2|
| 31| 研发部|普通员工| 李四|
| 31| 研发部|普通员工|李四_2|
| 36| 财务部|普通员工| 李丽|
| 36| 财务部|普通员工|李丽_2|
| 38| 研发部| 经理| 张伟|
| 38| 研发部| 经理|张伟_2|
| 25| 人事部|普通员工| 杜航|
| 25| 人事部|普通员工|杜航_2|
| 28| 研发部|普通员工| 周歌|
| 28| 研发部|普通员工|周歌_2|
+---+----------+--------+------+
groupby类
与SQL类似，java stream流和spark一样，groupby对数据集进行分组并在此基础上可以进行聚合函数操作。也可以分组直接得到一组子数据集。
java stream groupBy：
按部门分组统计部门人数：
Map<String, Long> map = employeeList.stream().collect(Collectors.groupingBy(Employee::getDepartment, Collectors.counting()));System.out.println(map);
输出
{财务部=1, 人事部=1, 研发部=4}
spark groupBy：
将映射为对象的数据集按部门分组，在此基础上统计部门员工数和平均年龄。
RelationalGroupedDataset datasetGroupBy = employeeDataset.groupBy("department");
// 统计每个部门有多少员工
datasetGroupBy.count().show();
/*** 每个部门的平均年龄*/
datasetGroupBy.avg("age").withColumnRenamed("avg(age)","avgAge").show();
输出分别为
+----------+-----+
|department|count|
+----------+-----+
| 财务部| 1|
| 人事部| 1|
| 研发部| 4|
+----------+-----+
+----------+------+
|department|avgAge|
+----------+------+
| 财务部| 36.0|
| 人事部| 25.0|
| 研发部| 29.25|
+----------+------+
spark groupByKey：
spark 的groupBy和groupByKey的区别，前者在此基础上使用聚合函数得到一个聚合值，后者只是进行分组，不进行任何计算。
类似于java stream的：
Map<String, List<Employee>> map2 = employeeList.stream().collect(Collectors.groupingBy(Employee::getDepartment));
System.out.println(map2);
输出
{财务部=[JavaStreamDemo.Employee(name=李丽, age=36, department=财务部, level=普通员工)],
人事部=[JavaStreamDemo.Employee(name=杜航, age=25, department=人事部, level=普通员工)],
研发部=[JavaStreamDemo.Employee(name=张三, age=20, department=研发部, level=普通员工), JavaStreamDemo.Employee(name=李四, age=31, department=研发部, level=普通员工), JavaStreamDemo.Employee(name=张伟, age=38, department=研发部, level=经理), JavaStreamDemo.Employee(name=周歌, age=28, department=研发部, level=普通员工)]}
使用spark groupByKey。
先得到一个key-value的一对多的一个集合数据集。 这里的call()方法返回的是key,即分组的key。
KeyValueGroupedDataset keyValueGroupedDataset = employeeDataset.groupByKey(new MapFunction<Employee, String>() {@Overridepublic String call(Employee employee) throws Exception {// 返回分组的key,这里表示根据部门进行分组return employee.getDepartment();}
}, Encoders.STRING());
再在keyValueGroupedDataset 的基础上进行mapGroups，在call()方法里就可以拿到每个key的所有原始数据。
keyValueGroupedDataset.mapGroups(new MapGroupsFunction() {@Overridepublic Object call(Object key, Iterator iterator) throws Exception {System.out.println("key = " + key);while (iterator.hasNext()){System.out.println(iterator.next());}return iterator; }}, Encoders.bean(Iterator.class)).show(); // 这里的show()没有意义，只是触发计算而已
输出
key = 人事部
SparkDemo.Employee(name=杜航, age=25, department=人事部, level=普通员工)
key = 研发部
SparkDemo.Employee(name=张三, age=20, department=研发部, level=普通员工)
SparkDemo.Employee(name=李四, age=31, department=研发部, level=普通员工)
SparkDemo.Employee(name=张伟, age=38, department=研发部, level=经理)
SparkDemo.Employee(name=周歌, age=28, department=研发部, level=普通员工)
key = 财务部
SparkDemo.Employee(name=李丽, age=36, department=财务部, level=普通员工)
reduce类：
reduce的字面意思是：减少；减小；降低；缩小。 又叫归约。
它将数据集进行循环，让当前对象和前一对象两两进行计算，每次计算得到的结果作为下一次计算的前一对象，并最终得到一个对象。
假设有5个数据【1，2，3，4，5】，使用reduce进行求和计算，分别是
比如上面的测试数据集，我要计算各部门年龄总数。使用聚合函数得到的是一个int类型的数字。
java stream reduce：
int age = employeeList.stream().mapToInt(e -> e.age).sum();
System.out.println(age);//178
使用 reduce 也可进行上面的计算
int age1 = employeeList.stream().mapToInt(e -> e.getAge()).reduce(0,(a,b) -> a+b);
System.out.println(age1);// 178
但是我将年龄求和，同时得到一个完整的对象呢？
JavaStreamDemo.Employee(name=周歌, age=178, department=研发部, level=普通员工)
可以使用 reduce 将数据集两两循环，将年龄相加，同时返回最后一个遍历的对象。
下面代码的 pre 代表前一个对象，current 代表当前对象。
/*** pre 代表前一个对象* current 代表当前对象*/
Employee reduceEmployee = employeeList.stream().reduce(new Employee(), (pre,current) -> {// 当第一次循环时前一个对象为nullif (pre.getAge() == null) {current.setAge(current.getAge());} else {current.setAge(pre.getAge() + current.getAge());}return current;
});
System.out.println(reduceEmployee);
spark reduce：
spark reduce的基本思想跟java stream是一样的。
直接看代码：
Employee datasetReduce = employeeDataset.reduce(new ReduceFunction<Employee>() {@Overridepublic Employee call(Employee t1, Employee t2) throws Exception {// 不同的版本看是否需要判断t1 == nullt2.setAge(t1.getAge() + t2.getAge());return t2;}
});System.out.println(datasetReduce);
输出
SparkDemo.Employee(name=周歌, age=178, department=研发部, level=普通员工)
其它常见操作类
Employee employee = employeeDataset.filter("age > 30").limit(3).sort("age").first();
System.out.println(employee);
// SparkDemo.Employee(name=李四, age=31, department=研发部, level=普通员工)
同时可以将dataset注册成table，使用更为强大的SQL来进行各种强大的运算。 现在SQL是flink的一等公民，spark也不遑多让。 这里举一个非常简单的例子。
employeeDataset.registerTempTable("table");
session.sql("select * from table where age > 30 order by age desc limit 3").show();
输出
+---+----------+--------+----+
|age|department| level|name|
+---+----------+--------+----+
| 38| 研发部| 经理|张伟|
| 36| 财务部|普通员工|李丽|
| 31| 研发部|普通员工|李四|
+---+----------+--------+----+
employeeDataset.registerTempTable("table");
session.sql("select concat_ws(',',collect_set(name)) as names, // group_concatavg(age) as age,department from table where age > 30 group by department order by age desc limit 3").show();
输出
+---------+----+----------+
| names| age|department|
+---------+----+----------+
| 李丽|36.0| 财务部|
|张伟,李四|34.5| 研发部|
+---------+----+----------+
小结
本文依据java stream的相似性，介绍了spark里面一些常见的算子操作。
本文只是做一个非常简单的入门介绍。
如果感兴趣的话， 后端的同学可以尝试着操作一下，非常简单，本地不需要搭建环境，只要引入spark 的 maven依赖即可。
我把本文的所有代码全部贴在最后面。
java stream 源码：
import lombok.*;
import org.apache.commons.io.FileUtils;import java.io.File;
import java.io.IOException;
import java.io.Serializable;
import java.util.ArrayList;
import java.util.Arrays;
import java.util.List;
import java.util.Map;
import java.util.stream.Collectors;publicclass JavaStreamDemo {public static void main(String[] args) throws IOException {/*** 张三,20,研发部,普通员工* 李四,31,研发部,普通员工* 李丽,36,财务部,普通员工* 张伟,38,研发部,经理* 杜航,25,人事部,普通员工* 周歌,28,研发部,普通员工*/List<String> list = FileUtils.readLines(new File("f:/test.txt"), "utf-8");List<Employee> employeeList = list.stream().map(word -> {List<String> words = Arrays.stream(word.split(",")).collect(Collectors.toList());Employee employee = new Employee(words.get(0), Integer.parseInt(words.get(1)), words.get(2), words.get(3));return employee;}).collect(Collectors.toList());// employeeList.forEach(System.out::println);List<Employee> employeeList2 = list.stream().flatMap(word -> {List<String> words = Arrays.stream(word.split(",")).collect(Collectors.toList());List<Employee> lists = new ArrayList<>();Employee employee = new Employee(words.get(0), Integer.parseInt(words.get(1)), words.get(2), words.get(3));lists.add(employee);Employee employee2 = new Employee(words.get(0)+"_2", Integer.parseInt(words.get(1)), words.get(2), words.get(3));lists.add(employee2);return lists.stream();}).collect(Collectors.toList());// employeeList2.forEach(System.out::println);Map<String, Long> map = employeeList.stream().collect(Collectors.groupingBy(Employee::getDepartment, Collectors.counting()));System.out.println(map);Map<String, List<Employee>> map2 = employeeList.stream().collect(Collectors.groupingBy(Employee::getDepartment));System.out.println(map2);int age = employeeList.stream().mapToInt(e -> e.age).sum();System.out.println(age);// 178int age1 = employeeList.stream().mapToInt(e -> e.getAge()).reduce(0,(a,b) -> a+b);System.out.println(age1);// 178/*** pre 代表前一个对象* current 代表当前对象*/Employee reduceEmployee = employeeList.stream().reduce(new Employee(), (pre,current) -> {if (pre.getAge() == null) {current.setAge(current.getAge());} else {current.setAge(pre.getAge() + current.getAge());}return current;});System.out.println(reduceEmployee);}@Getter@Setter@AllArgsConstructor@NoArgsConstructor@ToStringstaticclass Employee implements Serializable {private String name;private Integer age;private String department;private String level;}
}
spark 的源码：
import com.google.gson.Gson;
import lombok.*;
import org.apache.spark.api.java.function.*;
import org.apache.spark.sql.*;import java.io.Serializable;
import java.util.ArrayList;
import java.util.Arrays;
import java.util.Iterator;
import java.util.List;
import java.util.stream.Collectors;publicclass SparkDemo {public static void main(String[] args) {SparkSession session = SparkSession.builder().master("local[*]").getOrCreate();Dataset<Row> reader = session.read().text("F:/test.txt");// reader.show();/*** +-----------------------+* | value|* +-----------------------+* |张三,20,研发部,普通员工|* |李四,31,研发部,普通员工|* |李丽,36,财务部,普通员工|* |张伟,38,研发部,经理|* |杜航,25,人事部,普通员工|* |周歌,28,研发部,普通员工|* +-----------------------+*/// 本地演示而已，实际分布式环境，这里的gson涉及到序列化问题// 算子以外的代码都在driver端运行// 任何算子以内的代码都在executor端运行,即会在不同的服务器节点上执行Gson gson = new Gson();// a 算子外部，driver端Dataset<Employee> employeeDataset = reader.map(new MapFunction<Row, Employee>() {@Overridepublic Employee call(Row row) throws Exception {// b 算子内部，executor端Employee employee = null;try {// gson.fromJson(); 这里使用gson涉及到序列化问题List<String> list = Arrays.stream(row.mkString().split(",")).collect(Collectors.toList());employee = new Employee(list.get(0), Integer.parseInt(list.get(1)), list.get(2), list.get(3));} catch (Exception exception) {// 日志记录// 流式计算中要做到7*24小时不间断，任意一条上流脏数据都可能导致失败，从而导致任务退出，所以这里要做好异常的抓取exception.printStackTrace();}return employee;}}, Encoders.bean(Employee.class));// employeeDataset.show();/*** +---+----------+--------+----+* |age|department| level|name|* +---+----------+--------+----+* | 20| 研发部|普通员工|张三|* | 31| 研发部|普通员工|李四|* | 36| 财务部|普通员工|李丽|* | 38| 研发部| 经理|张伟|* | 25| 人事部|普通员工|杜航|* | 28| 研发部|普通员工|周歌|*/Dataset<Employee> employeeDataset2 = reader.mapPartitions(new MapPartitionsFunction<Row, Employee>() {@Overridepublic Iterator<Employee> call(Iterator<Row> iterator) throws Exception {List<Employee> employeeList = new ArrayList<>();while (iterator.hasNext()){Row row = iterator.next();try {List<String> list = Arrays.stream(row.mkString().split(",")).collect(Collectors.toList());Employee employee = new Employee(list.get(0), Integer.parseInt(list.get(1)), list.get(2), list.get(3));employeeList.add(employee);} catch (Exception exception) {// 日志记录// 流式计算中要做到7*24小时不间断，任意一条上流脏数据都可能导致失败，从而导致任务退出，所以这里要做好异常的抓取exception.printStackTrace();}}return employeeList.iterator();}}, Encoders.bean(Employee.class));// employeeDataset2.show();/*** +---+----------+--------+----+* |age|department| level|name|* +---+----------+--------+----+* | 20| 研发部|普通员工|张三|* | 31| 研发部|普通员工|李四|* | 36| 财务部|普通员工|李丽|* | 38| 研发部| 经理|张伟|* | 25| 人事部|普通员工|杜航|* | 28| 研发部|普通员工|周歌|* +---+----------+--------+----+*/Dataset<Employee> employeeDatasetFlatmap = reader.flatMap(new FlatMapFunction<Row, Employee>() {@Overridepublic Iterator<Employee> call(Row row) throws Exception {List<Employee> employeeList = new ArrayList<>();try {List<String> list = Arrays.stream(row.mkString().split(",")).collect(Collectors.toList());Employee employee = new Employee(list.get(0), Integer.parseInt(list.get(1)), list.get(2), list.get(3));employeeList.add(employee);Employee employee2 = new Employee(list.get(0)+"_2", Integer.parseInt(list.get(1)), list.get(2), list.get(3));employeeList.add(employee2);} catch (Exception exception) {exception.printStackTrace();}return employeeList.iterator();}}, Encoders.bean(Employee.class));
// employeeDatasetFlatmap.show();/*** +---+----------+--------+------+* |age|department| level| name|* +---+----------+--------+------+* | 20| 研发部|普通员工| 张三|* | 20| 研发部|普通员工|张三_2|* | 31| 研发部|普通员工| 李四|* | 31| 研发部|普通员工|李四_2|* | 36| 财务部|普通员工| 李丽|* | 36| 财务部|普通员工|李丽_2|* | 38| 研发部| 经理| 张伟|* | 38| 研发部| 经理|张伟_2|* | 25| 人事部|普通员工| 杜航|* | 25| 人事部|普通员工|杜航_2|* | 28| 研发部|普通员工| 周歌|* | 28| 研发部|普通员工|周歌_2|* +---+----------+--------+------+*/RelationalGroupedDataset datasetGroupBy = employeeDataset.groupBy("department");// 统计每个部门有多少员工// datasetGroupBy.count().show();/*** +----------+-----+* |department|count|* +----------+-----+* | 财务部| 1|* | 人事部| 1|* | 研发部| 4|* +----------+-----+*//*** 每个部门的平均年龄*/// datasetGroupBy.avg("age").withColumnRenamed("avg(age)","avgAge").show();/*** +----------+--------+* |department|avg(age)|* +----------+--------+* | 财务部| 36.0|* | 人事部| 25.0|* | 研发部| 29.25|* +----------+--------+*/KeyValueGroupedDataset keyValueGroupedDataset = employeeDataset.groupByKey(new MapFunction<Employee, String>() {@Overridepublic String call(Employee employee) throws Exception {// 返回分组的key,这里表示根据部门进行分组return employee.getDepartment();}}, Encoders.STRING());keyValueGroupedDataset.mapGroups(new MapGroupsFunction() {@Overridepublic Object call(Object key, Iterator iterator) throws Exception {System.out.println("key = " + key);while (iterator.hasNext()){System.out.println(iterator.next());}return iterator;/*** key = 人事部* SparkDemo.Employee(name=杜航, age=25, department=人事部, level=普通员工)* key = 研发部* SparkDemo.Employee(name=张三, age=20, department=研发部, level=普通员工)* SparkDemo.Employee(name=李四, age=31, department=研发部, level=普通员工)* SparkDemo.Employee(name=张伟, age=38, department=研发部, level=经理)* SparkDemo.Employee(name=周歌, age=28, department=研发部, level=普通员工)* key = 财务部* SparkDemo.Employee(name=李丽, age=36, department=财务部, level=普通员工)*/}}, Encoders.bean(Iterator.class)).show(); // 这里的show()没有意义，只是触发计算而已Employee datasetReduce = employeeDataset.reduce(new ReduceFunction<Employee>() {@Overridepublic Employee call(Employee t1, Employee t2) throws Exception {// 不同的版本看是否需要判断t1 == nullt2.setAge(t1.getAge() + t2.getAge());return t2;}});System.out.println(datasetReduce);Employee employee = employeeDataset.filter("age > 30").limit(3).sort("age").first();System.out.println(employee);// SparkDemo.Employee(name=李四, age=31, department=研发部, level=普通员工)employeeDataset.registerTempTable("table");session.sql("select * from table where age > 30 order by age desc limit 3").show();/*** +---+----------+--------+----+* |age|department| level|name|* +---+----------+--------+----+* | 38| 研发部| 经理|张伟|* | 36| 财务部|普通员工|李丽|* | 31| 研发部|普通员工|李四|* +---+----------+--------+----+*/}@Getter@Setter@AllArgsConstructor@NoArgsConstructor@ToStringpublicstaticclass Employee implements Serializable {private String name;private Integer age;private String department;private String level;}
}
spark maven依赖,自行不需要的spark-streaming，kafka依赖去掉。
<properties><maven.compiler.source>8</maven.compiler.source><maven.compiler.target>8</maven.compiler.target><maven.compiler.source>1.8</maven.compiler.source><maven.compiler.target>1.8</maven.compiler.target><scala.version>2.12.15</scala.version><spark.version>3.2.0</spark.version><encoding>UTF-8</encoding></properties><dependencies><!-- scala依赖--><dependency><groupId>org.scala-lang</groupId><artifactId>scala-library</artifactId><version>${scala.version}</version></dependency><!-- spark依赖--><dependency><groupId>org.apache.spark</groupId><artifactId>spark-sql_2.12</artifactId><version>${spark.version}</version></dependency><dependency><groupId>org.projectlombok</groupId><artifactId>lombok</artifactId><version>1.18.2</version><scope>provided</scope></dependency><!--<dependency><groupId>org.apache.spark</groupId><artifactId>spark-streaming-kafka-0-10_2.12</artifactId><version>${spark.version}</version></dependency>--><dependency><groupId>org.apache.spark</groupId><artifactId>spark-sql-kafka-0-10_2.12</artifactId><version>${spark.version}</version></dependency><dependency><groupId>com.google.code.gson</groupId><artifactId>gson</artifactId><version>2.7</version></dependency><dependency><groupId>mysql</groupId><artifactId>mysql-connector-java</artifactId><version>5.1.34</version></dependency></dependencies>
原创 一安未来
