赣州市网站建设公司华为网络工程师培训费用

SparkSQL和Hive语法差异

1、仅支持Hive

1. SparkSQL关联条件on不支持函数rand()
2. 创建零时表时，Spark不支持直接赋值null
3. Spark无法读取字段类型为void的表
4. SparkSQL中如果表达式没有指定别名，SparkSQL会将整个表达式作为别名，如果表达式中包含特殊字符（如逗号）。则CTAS建表会失败

2、仅支持SparkSQL

SparkSQL允许在join on条件中使用or等不等式值关联语句，Hive中不允许，只能用等值关联

3、相同函数差异

1. Spark运行时用到的hash函数，与hive的哈希算法不同，如果使用hash()，结果和hive的hash（）会有差异
2. Hive和sparkSQL使用grouping sets生成的grouping_id不一致
3. regexp_extract未匹配上的话，hive里回的是null，但是在spark里返回的是空字符
4. sparkSQL中的row_number的over中不能省略sort by 或order by
5. grouping_id()函数生成的数据不同
6. reflect（）函数中，如果入参有非法数据或者null，hive会返回null，而spark会抛出异常

创建DataFrame

Row 类型 表示一行数据

• datafram就算是多行构成

# Row行数据操作
# 导入行类
from pyspark.sql import Row定义每行数据 有两种获取方法=重点
r1 = Row(id=1,name='张三')
r2 = Row(id=2,name='李四')
# 操作每行数据
# 获取对应字段数据
print(r1.id)
print(r1.name)
print(r2['id'])
print(r2['name'])定义行数据不指定字段 = 只有一种获取方法
r3 = Row(3,'王五')
print(r3[1])df.printSchema()

schema表信息（这种指定表信息的更不常用）

• 定义dataframe中的表的字段名和字段类型

# 导入数据类型
from pyspark.sql.types import *
# 定义schema信息
# 使用StructType类进行定义
# add()方法是指定字段信息
# 第一参数，字段名
# 第二个参数，字段信息
# 第三个参数是否允许为空值  默认是True，允许为空
schema_type = StructType().\add('id',IntegerType()).\add('name',StringType()).\add('age',IntegerType(),False)df.printSchema()

# 导入行类Row
from pyspark.sql import SparkSession, Row
from pyspark.sql.types import *# 创建行数据
r1 = Row(id=1, name='张三', age=20)
r2 = Row(id=2, name='李四', age=22)
# 创建元数据
schema = StructType(). \add('id', IntegerType()). \add('name', StringType()). \add('age', IntegerType())# 创建dataframe
# 生成sparksession对象  按照固定写法创建
ss = SparkSession.builder.getOrCreate()
# 使用sparksession对象方法创建df
# createDataFrame 第一参数是一个列表数据,将每行数据放入列表
# 第二个参数指定表元数据信息
# df是一个dataframe类型的对象
df = ss.createDataFrame([r1, r2], schema=schema)# dataframe数据的操作
# 查看df数据
df.show()  # 查看所有数据,超过20行时,默认只显示20行
# 查看元信息
df.printSchema()