一、简单聚合
1.1 数据准备
1.2 count
1.3 countDistinct
1.4 approx_count_distinct
1.5 first & last
1.6 min & max
1.7 sum & sumDistinct
1.8 avg
1.9 数学函数
1.10 聚合数据到集合
二、分组聚合
2.1 简单分组
2.2 分组聚合
三、自定义聚合函数
3.1 有类型的自定义函数
3.2 无类型的自定义聚合函数

一、简单聚合

1.1 数据准备

  1. // 需要导入 spark sql 内置的函数包
  2. import org.apache.spark.sql.functions._
  3. val spark = SparkSession.builder().appName("aggregations").master("local[2]").getOrCreate()
  4. val empDF = spark.read.json("/usr/file/json/emp.json")
  5. // 注册为临时视图，用于后面演示 SQL 查询
  6. empDF.createOrReplaceTempView("emp")
  7. empDF.show()

注：emp.json 可以从本仓库的resources 目录下载。

1.2 count

  1. // 计算员工人数
  2. empDF.select(count("ename")).show()

1.3 countDistinct

  1. // 计算姓名不重复的员工人数
  2. empDF.select(countDistinct("deptno")).show()

1.4 approx_count_distinct

通常在使用大型数据集时，你可能关注的只是近似值而不是准确值，这时可以使用 approx_count_distinct 函数，并可以使用第二个参数指定最大允许误差。

  1. empDF.select(approx_count_distinct ("ename",0.1)).show()

1.5 first & last

获取 DataFrame 中指定列的第一个值或者最后一个值。

  1. empDF.select(first("ename"),last("job")).show()

1.6 min & max

获取 DataFrame 中指定列的最小值或者最大值。

  1. empDF.select(min("sal"),max("sal")).show()

1.7 sum & sumDistinct

求和以及求指定列所有不相同的值的和。

  1. empDF.select(sum("sal")).show()
  2. empDF.select(sumDistinct("sal")).show()

1.8 avg

内置的求平均数的函数。

  1. empDF.select(avg("sal")).show()

1.9 数学函数

Spark SQL 中还支持多种数学聚合函数，用于通常的数学计算，以下是一些常用的例子：

  1. // 1.计算总体方差、均方差、总体标准差、样本标准差
  2. empDF.select(var_pop("sal"), var_samp("sal"), stddev_pop("sal"), stddev_samp("sal")).show()
  3. // 2.计算偏度和峰度
  4. empDF.select(skewness("sal"), kurtosis("sal")).show()
  5. // 3. 计算两列的皮尔逊相关系数、样本协方差、总体协方差。(这里只是演示，员工编号和薪资两列实际上并没有什么关联关系)
  6. empDF.select(corr("empno", "sal"), covar_samp("empno", "sal"),covar_pop("empno", "sal")).show()

1.10 聚合数据到集合

  1. scala>  empDF.agg(collect_set("job"), collect_list("ename")).show()
  2. 输出：
  3. +--------------------+--------------------+
  4. |    collect_set(job)| collect_list(ename)|
  5. +--------------------+--------------------+
  6. |[MANAGER, SALESMA...|[SMITH, ALLEN, WA...|
  7. +--------------------+--------------------+

二、分组聚合

2.1 简单分组

  1. empDF.groupBy("deptno", "job").count().show()
  2. //等价 SQL
  3. spark.sql("SELECT deptno, job, count(*) FROM emp GROUP BY deptno, job").show()
  4. 输出：
  5. +------+---------+-----+
  6. |deptno|      job|count|
  7. +------+---------+-----+
  8. |    10|PRESIDENT|    1|
  9. |    30|    CLERK|    1|
  10. |    10|  MANAGER|    1|
  11. |    30|  MANAGER|    1|
  12. |    20|    CLERK|    2|
  13. |    30| SALESMAN|    4|
  14. |    20|  ANALYST|    2|
  15. |    10|    CLERK|    1|
  16. |    20|  MANAGER|    1|
  17. +------+---------+-----+

2.2 分组聚合

  1. empDF.groupBy("deptno").agg(count("ename").alias("人数"), sum("sal").alias("总工资")).show()
  2. // 等价语法
  3. empDF.groupBy("deptno").agg("ename"->"count","sal"->"sum").show()
  4. // 等价 SQL
  5. spark.sql("SELECT deptno, count(ename) ,sum(sal) FROM emp GROUP BY deptno").show()
  6. 输出：
  7. +------+----+------+
  8. |deptno|人数|总工资|
  9. +------+----+------+
  10. |    10|   3|8750.0|
  11. |    30|   6|9400.0|
  12. |    20|   5|9375.0|
  13. +------+----+------+

三、自定义聚合函数

Scala 提供了两种自定义聚合函数的方法，分别如下：

  • 有类型的自定义聚合函数，主要适用于 DataSet；
  • 无类型的自定义聚合函数，主要适用于 DataFrame。

以下分别使用两种方式来自定义一个求平均值的聚合函数，这里以计算员工平均工资为例。两种自定义方式分别如下：

3.1 有类型的自定义函数

  1. import org.apache.spark.sql.expressions.Aggregator
  2. import org.apache.spark.sql.{Encoder, Encoders, SparkSession, functions}
  3. // 1.定义员工类,对于可能存在 null 值的字段需要使用 Option 进行包装
  4. case class Emp(ename: String, comm: scala.Option[Double], deptno: Long, empno: Long,
  5.                hiredate: String, job: String, mgr: scala.Option[Long], sal: Double)
  6. // 2.定义聚合操作的中间输出类型
  7. case class SumAndCount(var sum: Double, var count: Long)
  8. /* 3.自定义聚合函数
  9.  * @IN  聚合操作的输入类型
  10.  * @BUF reduction 操作输出值的类型
  11.  * @OUT 聚合操作的输出类型
  12.  */
  13. object MyAverage extends Aggregator[Emp, SumAndCount, Double] {
  15.     // 4.用于聚合操作的的初始零值
  16.     override def zero: SumAndCount = SumAndCount(0, 0)
  18.     // 5.同一分区中的 reduce 操作
  19.     override def reduce(avg: SumAndCount, emp: Emp): SumAndCount = {
  20.         avg.sum += emp.sal
  21.         avg.count += 1
  22.         avg
  23.     }
  24.     // 6.不同分区中的 merge 操作
  25.     override def merge(avg1: SumAndCount, avg2: SumAndCount): SumAndCount = {
  26.         avg1.sum += avg2.sum
  27.         avg1.count += avg2.count
  28.         avg1
  29.     }
  30.     // 7.定义最终的输出类型
  31.     override def finish(reduction: SumAndCount): Double = reduction.sum / reduction.count
  32.     // 8.中间类型的编码转换
  33.     override def bufferEncoder: Encoder[SumAndCount] = Encoders.product
  34.     // 9.输出类型的编码转换
  35.     override def outputEncoder: Encoder[Double] = Encoders.scalaDouble
  36. }
  37. object SparkSqlApp {
  38.     // 测试方法
  39.     def main(args: Array[String]): Unit = {
  40.         val spark = SparkSession.builder().appName("Spark-SQL").master("local[2]").getOrCreate()
  41.         import spark.implicits._
  42.         val ds = spark.read.json("file/emp.json").as[Emp]
  43.         // 10.使用内置 avg() 函数和自定义函数分别进行计算，验证自定义函数是否正确
  44.         val myAvg = ds.select(MyAverage.toColumn.name("average_sal")).first()
  45.         val avg = ds.select(functions.avg(ds.col("sal"))).first().get(0)
  46.         println("自定义 average 函数 : " + myAvg)
  47.         println("内置的 average 函数 : " + avg)
  48.     }
  49. }


自定义聚合函数需要实现的方法比较多，这里以绘图的方式来演示其执行流程，以及每个方法的作用：
4. Spark SQL 常用聚合函数 - 图1
关于 zero,reduce,merge,finish 方法的作用在上图都有说明，这里解释一下中间类型和输出类型的编码转换，这个写法比较固定，基本上就是两种情况：

  • 自定义类型 Case Class 或者元组就使用 Encoders.product 方法；
  • 基本类型就使用其对应名称的方法，如 scalaByte，scalaFloat，scalaShort 等，示例如下：
  1. override def bufferEncoder: Encoder[SumAndCount] = Encoders.product
  2. override def outputEncoder: Encoder[Double] = Encoders.scalaDouble

3.2 无类型的自定义聚合函数

理解了有类型的自定义聚合函数后，无类型的定义方式也基本相同，代码如下：

  1. import org.apache.spark.sql.expressions.{MutableAggregationBuffer, UserDefinedAggregateFunction}
  2. import org.apache.spark.sql.types._
  3. import org.apache.spark.sql.{Row, SparkSession}
  4. object MyAverage extends UserDefinedAggregateFunction {
  5.   // 1.聚合操作输入参数的类型,字段名称可以自定义
  6.   def inputSchema: StructType = StructType(StructField("MyInputColumn", LongType) :: Nil)
  7.   // 2.聚合操作中间值的类型,字段名称可以自定义
  8.   def bufferSchema: StructType = {
  9.     StructType(StructField("sum", LongType) :: StructField("MyCount", LongType) :: Nil)
  10.   }
  11.   // 3.聚合操作输出参数的类型
  12.   def dataType: DataType = DoubleType
  13.   // 4.此函数是否始终在相同输入上返回相同的输出,通常为 true
  14.   def deterministic: Boolean = true
  15.   // 5.定义零值
  16.   def initialize(buffer: MutableAggregationBuffer): Unit = {
  17.     buffer(0) = 0L
  18.     buffer(1) = 0L
  19.   }
  20.   // 6.同一分区中的 reduce 操作
  21.   def update(buffer: MutableAggregationBuffer, input: Row): Unit = {
  22.     if (!input.isNullAt(0)) {
  23.       buffer(0) = buffer.getLong(0) + input.getLong(0)
  24.       buffer(1) = buffer.getLong(1) + 1
  25.     }
  26.   }
  27.   // 7.不同分区中的 merge 操作
  28.   def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {
  29.     buffer1(0) = buffer1.getLong(0) + buffer2.getLong(0)
  30.     buffer1(1) = buffer1.getLong(1) + buffer2.getLong(1)
  31.   }
  32.   // 8.计算最终的输出值
  33.   def evaluate(buffer: Row): Double = buffer.getLong(0).toDouble / buffer.getLong(1)
  34. }
  35. object SparkSqlApp {
  36.   // 测试方法
  37.   def main(args: Array[String]): Unit = {
  38.     val spark = SparkSession.builder().appName("Spark-SQL").master("local[2]").getOrCreate()
  39.     // 9.注册自定义的聚合函数
  40.     spark.udf.register("myAverage", MyAverage)
  41.     val df = spark.read.json("file/emp.json")
  42.     df.createOrReplaceTempView("emp")
  43.     // 10.使用自定义函数和内置函数分别进行计算
  44.     val myAvg = spark.sql("SELECT myAverage(sal) as avg_sal FROM emp").first()
  45.     val avg = spark.sql("SELECT avg(sal) as avg_sal FROM emp").first()
  46.     println("自定义 average 函数 : " + myAvg)
  47.     println("内置的 average 函数 : " + avg)
  48.   }
  49. }

参考资料

  1. Matei Zaharia, Bill Chambers . Spark: The Definitive Guide[M] . 2018-02