Spark 3.0的新功能是什么呢

今天就跟大家聊聊有關Spark 3.0的新功能是什么呢，可能很多人都不太了解，為了讓大家更加了解，小編給大家總結了以下內容，希望大家根據這篇文章可以有所收獲。

最近，Apache Spark社區發布了Spark  3.0的預覽版，該預覽版包含許多重要的新功能，這些功能將幫助Spark創造強大的影響力，在此大數據和數據科學時代，該產品已擁有廣泛的企業用戶和開發人員。

在新版本中，Spark社區已將一些功能從Spark SQL移植到了編程的Scala API(

org.apache.spark.sql.functions)，這鼓勵開發人員直接將此功能用作其DataFrame轉換的一部分，而不是直接輸入  進入SQL模式或創建視圖，并使用此函數以及SQL表達式或callUDF函數。

社區還辛苦地引入了一些新的數據轉換功能和partition_transforms函數，這些功能在與Spark的新DataFrameWriterv2一起使用以將數據寫到某些外部存儲時非常有用。

Spark 3中的一些新功能已經是Databricks Spark以前版本的一部分。  因此，如果您在Databricks云中工作，您可能會發現其中一些熟悉的功能。

下面介紹了Spark SQL和Scala API中用于DataFrame操作訪問的Spark新功能，以及從Spark SQL移植到Scala  API以進行編程訪問的功能。

Spark SQL中的Spark 3.0中引入的功能以及用于DataFrame轉換的功能

from_csv

像from_json一樣，此函數解析包含CSV字符串的列，并將其轉換為Struct類型。 如果CSV字符串不可解析，則將返回null。

例：

• 該函數需要一個Struct模式和一些選項，這些模式和選項指示如何解析CSV字符串。 選項與CSV數據源相同。

ss="dp-sql">ss="alt">val studentInfo = ss="string">"1,Jerin,CSE"::ss="string">"2,Jerlin,ECE"::ss="string">"3,Arun,CSE"::Nil ss="">val ss="keyword">schema = new StructType()  ss="alt">            .ss="keyword">add(ss="string">"Id",IntegerType) ss="">            .ss="keyword">add(ss="string">"Name",StringType) ss="alt">            .ss="keyword">add(ss="string">"Dept",StringType) ss="">val options = Map(ss="string">"delimiter" ->ss="string">",") ss="alt">val studentDF = studentInfo.toDF(ss="string">"Student_Info") ss="">.withColumn(ss="string">"csv_struct",from_csv('Student_Info, ss="keyword">schema,options)) ss="alt">studentDF.show()

to_csv

要將"結構類型"列轉換為CSV字符串。

例：

• 與Struct type列一起，此函數還接受可選的options參數，該參數指示如何將Struct列轉換為CSV字符串。

ss="dp-sql">ss="alt">studentDF ss="">.withColumn(ss="string">"csv_string",to_csv($ss="string">"csv_struct",Map.empty[String, String].asJava)) ss="alt">.show

推斷CSV字符串的模式，并以DDL格式返回模式。

例：

• 該函數需要一個CSV字符串列和一個可選參數，其中包含如何解析CSV字符串的選項。

ss="dp-sql">ss="alt">studentDF ss="">  .withColumn(ss="string">"schema",schema_of_csv(ss="string">"csv_string")) ss="alt">  .show

for_all

將給定謂詞應用于數組中的所有元素，并且僅當數組中的所有元素求值為true時返回true，否則返回false。

例：

• 檢查給定Array列中的所有元素是否均是偶數。

ss="dp-sql">ss="alt">val  df = Seq(Seq(2,4,6),Seq(5,10,3)).toDF(ss="string">"int_array") ss="">df.withColumn(ss="string">"flag",forall($ss="string">"int_array",(x:ss="keyword">Column)=>(lit(x%2==0)))) ss="alt">.show

transform

將函數應用于數組中的所有元素后，返回一個新數組。

例：

• 將" 1"添加到數組中的所有元素。

ss="dp-sql">ss="alt">val df = Seq((Seq(2,4,6)),(Seq(5,10,3))).toDF(ss="string">"num_array") ss="">df.withColumn(ss="string">"num_array",transform($ss="string">"num_array",x=>x+1)).show

overlay

要替換列的內容，請使用從指定字節位置到可選的指定字節長度的實際替換內容。

例：

• 將特定人員的問候語更改為傳統的" Hello World"

這里我們用世界替換人名，因為名字的起始位置是7，并且我們要在替換內容之前刪除完整的姓名，需要刪除的字節位置的長度應大于或等于最大值  列中名稱的長度。

因此，我們將替換詞傳遞為"world"，將內容替換為" 7"的特定起始位置，從指定起始位置移除的位置數為" 12"(如果未指定，則該位置是可選的  函數只會從指定的起始位置將源內容替換為替換內容)。

覆蓋替換了StringType，TimeStampType，IntegerType等中的內容。但是Column的返回類型將始終為StringType，而與Column輸入類型無關。

ss="dp-sql">ss="alt">val greetingMsg = ss="string">"Hello Arun"::ss="string">"Hello Mohit Chawla"::ss="string">"Hello Shaurya"::Nil ss="">val greetingDF = greetingMsg.toDF(ss="string">"greet_msg") ss="alt">greetingDF.withColumn(ss="string">"greet_msg",overlay($ss="string">"greet_msg",lit(ss="string">"World"),lit(ss="string">"7"),lit(ss="string">"12"))) ss="">.show

分裂

根據給定的正則表達式和指定的限制拆分字符串表達式，該限制指示將正則表達式應用于給定的字符串表達式的次數。

如果指定的限制小于或等于零，則正則表達式將在字符串上應用多次，并且結果數組將根據給定的正則表達式包含所有可能的字符串拆分。

如果指定的限制大于零，則將使用不超過該限制的正則表達式

例：

• 根據正則表達式將給定的字符串表達式拆分為兩個。 即 字符串定界符。

ss="dp-sql">ss="alt">val num = ss="string">"one~two~three"::ss="string">"four~five"::Nil ss="">val numDF = num.toDF(ss="string">"numbers") ss="alt">numDF ss="">.withColumn(ss="string">"numbers",split($ss="string">"numbers",ss="string">"~",2)) ss="alt">.show

將同一個字符串表達式分成多個部分，直到出現分隔符

ss="dp-sql">ss="alt">numDF ss="">.withColumn(ss="string">"numbers",split($ss="string">"numbers",ss="string">"~",0)) ss="alt">.show

map_entries

將映射鍵值轉換為無序的條目數組。

例：

• 獲取數組中Map的所有鍵和值。

ss="dp-sql">ss="alt">val df = Seq(Map(1->ss="string">"x",2->ss="string">"y")).toDF(ss="string">"key_values") ss="">df.withColumn(ss="string">"key_value_array",map_entries($ss="string">"key_values")) ss="alt">.show

map_zip_with

使用功能根據鍵將兩個Map合并為一個。

例：

• 要計算跨部門員工的總銷售額，并通過傳遞一個函數，該函數將基于鍵匯總來自兩個不同"地圖"列的總銷售額，從而在單個地圖中獲取特定員工的總銷售額。

ss="dp-sql">ss="alt">val df = Seq((Map(ss="string">"EID_1"->10000,ss="string">"EID_2"->25000), ss="">             Map(ss="string">"EID_1"->1000,ss="string">"EID_2"->2500)))   .toDF(ss="string">"emp_sales_dept1",ss="string">"emp_sales_dept2") ss="alt"> ss="">df. ss="alt">withColumn(ss="string">"total_emp_sales",map_zip_with($ss="string">"emp_sales_dept1",$ss="string">"emp_sales_dept2",(k,v1,v2)=>(v1+v2))) ss="">.show

map_filter

返回僅包含滿足給定謂詞功能的Map值的新鍵值對。

例：

• 僅篩選出銷售值高于20000的員工

ss="dp-sql">ss="alt">val df = Seq(Map(ss="string">"EID_1"->10000,ss="string">"EID_2"->25000)) ss="">          .toDF(ss="string">"emp_sales") ss="alt"> ss="">df ss="alt">.withColumn(ss="string">"filtered_sales",map_filter($ss="string">"emp_sales",(k,v)=>(v>20000))) ss="">.show

transform_values

根據給定的函數操作Map列中所有元素的值。

例：

• 通過給每個雇員加薪5000來計算雇員薪水

ss="dp-sql">ss="alt">val df = Seq(Map(ss="string">"EID_1"->10000,ss="string">"EID_2"->25000)) ss="">         .toDF(ss="string">"emp_salary") ss="alt"> ss="">df ss="alt">.withColumn(ss="string">"emp_salary",transform_values($ss="string">"emp_salary",(k,v)=>(v+5000))) ss="">.show

transform_keys

根據給定的函數操作Map列中所有元素的鍵。

例：

• 要將公司名稱" XYZ"添加到員工編號。

ss="dp-sql">ss="alt">val df = Seq(Map(ss="string">"EID_1" -> 10000, ss="string">"EID_2" -> 25000)) ss="">        .toDF(ss="string">"employees") ss="alt">df ss="">.withColumn(ss="string">"employees", transform_keys($ss="string">"employees", (k, v) => concat(k,lit(ss="string">"_XYZ")))) ss="alt">.show

xhash74

要計算給定列內容的哈希碼，請使用64位xxhash算法并將結果返回為long。

從Spark SQL移植到Spark 3.0中的Scala API進行DataFrame轉換的功能

Scala API可使用大多數Spark SQL函數，該函數可將相同的函數用作DataFrame操作的一部分。 但是仍然有一些功能不能作為編程功能使用。  要使用這些功能，必須進入Spark SQL模式并將這些功能用作SQL表達式的一部分，或使用Spark" callUDF"功能使用相同的功能。  隨著功能的普及和使用不斷發展，這些功能中的某些功能過去曾被移植到新版本的程序化Spark API中。 以下是從以前版本的Spark SQL函數移植到Scala  API(

org.spark.apache.sql.functions)的函數

date_sub

從日期，時間戳記和字符串數據類型中減去天數。 如果數據類型為字符串，則其格式應可轉換為日期" yyyy-MM-dd"或" yyyy-MM-dd  HH：mm：ss.ssss"

例：

• 從eventDateTime中減去" 1天"。

如果要減去的天數為負，則此功能會將給定的天數添加到實際日期中。

ss="dp-sql">ss="alt">var df = Seq( ss="">        (1, ss="keyword">Timestamp.valueOf(ss="string">"2020-01-01 23:00:01")), ss="alt">        (2, ss="keyword">Timestamp.valueOf(ss="string">"2020-01-02 12:40:32")), ss="">        (3, ss="keyword">Timestamp.valueOf(ss="string">"2020-01-03 09:54:00")), ss="alt">        (4, ss="keyword">Timestamp.valueOf(ss="string">"2020-01-04 10:12:43")) ss="">         ) ss="alt">     .toDF(ss="string">"typeId",ss="string">"eventDateTime") ss=""> ss="alt"> df.withColumn(ss="string">"Adjusted_Date",date_sub($ss="string">"eventDateTime",1)).show()

date_add

與date_sub相同，但是將天數添加到實際天數中。

例：

• 將" 1天"添加到eventDateTime

ss="dp-sql">ss="alt">var df = Seq( ss="">         (1, ss="keyword">Timestamp.valueOf(ss="string">"2020-01-01 23:00:01")), ss="alt">         (2, ss="keyword">Timestamp.valueOf(ss="string">"2020-01-02 12:40:32")), ss="">         (3, ss="keyword">Timestamp.valueOf(ss="string">"2020-01-03 09:54:00")), ss="alt">         (4, ss="keyword">Timestamp.valueOf(ss="string">"2020-01-04 10:12:43")) ss="">         ) ss="alt">    .toDF(ss="string">"Id",ss="string">"eventDateTime") ss="">df ss="alt">.withColumn(ss="string">"Adjusted Date",date_add($ss="string">"eventDateTime",1)) ss="">.show()

months_add

像date_add和date_sub一樣，此功能有助于添加月份。

減去月份，將要減去的月份數設為負數，因為沒有單獨的減去函數用于減去月份

例：

• 從eventDateTime添加和減去一個月。

ss="dp-sql">ss="alt">var df = Seq( ss="">    (1, ss="keyword">Timestamp.valueOf(ss="string">"2020-01-01 23:00:01")), ss="alt">    (2, ss="keyword">Timestamp.valueOf(ss="string">"2020-01-02 12:40:32")), ss="">    (3, ss="keyword">Timestamp.valueOf(ss="string">"2020-01-03 09:54:00")), ss="alt">    (4, ss="keyword">Timestamp.valueOf(ss="string">"2020-01-04 10:12:43")) ss="">     ).toDF(ss="string">"typeId",ss="string">"eventDateTime") ss="alt">//ss="keyword">To ss="keyword">add one months ss=""> df ss="alt">.withColumn(ss="string">"Adjusted Date",add_months($ss="string">"eventDateTime",1)) ss="">.show() ss="alt">//ss="keyword">To subtract one months ss="">df ss="alt">.withColumn(ss="string">"Adjusted Date",add_months($ss="string">"eventDateTime",-1)) ss="">.show()

zip_with

通過應用函數合并左右數組。

此函數期望兩個數組的長度都相同，如果其中一個數組比另一個數組短，則將添加null以匹配更長的數組長度。

例：

• 將兩個數組的內容相加并合并為一個

ss="dp-sql">ss="alt">val df = Seq((Seq(2,4,6),Seq(5,10,3))) ss="">         .toDF(ss="string">"array_1",ss="string">"array_2") ss="alt">   ss=""> df ss="alt">.withColumn(ss="string">"merged_array",zip_with($ss="string">"array_1",$ss="string">"array_2",(x,y)=>(x+y))) ss=""> .show

將謂詞應用于所有元素，并檢查數組中的至少一個或多個元素是否對謂詞函數成立。

例：

• 檢查數組中至少一個元素是否為偶數。

ss="dp-sql">ss="alt">val df= Seq(Seq(2,4,6),Seq(5,10,3)).toDF(ss="string">"num_array") ss="">df.withColumn(ss="string">"flag",exists($ss="string">"num_array", x =>lit(x%2===0))) ss="alt">.show

過濾

將給定謂詞應用于數組中的所有元素，并過濾掉謂詞為true的元素。

例：

• 僅過濾掉數組中的偶數元素。

ss="dp-sql">ss="alt">val df = Seq(Seq(2,4,6),Seq(5,10,3)).toDF(ss="string">"num_array") ss="">df.withColumn(ss="string">"even_array",filter($ss="string">"num_array", x =>lit(x%2===0))) ss="alt">.show

聚合 aggregate

使用給定函數將給定數組和另一個值/狀態簡化為單個值，并應用可選的finish函數將縮減后的值轉換為另一個狀態/值。

例：

• 將10加到數組的總和并將結果乘以2

ss="dp-sql">ss="alt">val df = Seq((Seq(2,4,6),3),(Seq(5,10,3),8)) ss="">  .toDF(ss="string">"num_array",ss="string">"constant") ss="alt">df.withColumn(ss="string">"reduced_array",aggregate($ss="string">"num_array", $ss="string">"constant",(x,y)=>x+y,x => x*2)) ss="">  .show

Spark 3.0中為Spark SQL模式引入的功能

以下是新的SQL函數，您只能在Spark SQL模式下才能使用它們。

acosh

查找給定表達式的雙曲余弦的倒數。

asinh

找出給定表達式的雙曲正弦的逆。

atanh

查找給定表達式的雙曲正切的逆。

bit_and，bit_or和bit_xor

計算按位AND，OR和XOR值

bit_count

返回計數的位數。

bool_and和bool_or

驗證表達式的所有值是否為真或驗證表達式中的至少一個為真。

count_if

返回一列中的真值數量

例：

• 找出給定列中的偶數值

ss="dp-sql">ss="alt">var df = Seq((1),(2),(4)).toDF(ss="string">"num") ss=""> ss="alt"> df.createOrReplaceTempView(ss="string">"table") ss="">spark.sql(ss="string">"select count_if(num %2==0) from table").show

date_part

提取日期/時間戳的一部分，例如小時，分鐘等…

div

用于將表達式或帶有另一個表達式/列的列分開

every 和 sum

如果給定的表達式對每個列的所有列值都求值為true，并且至少一個值對某些值求得true，則此函數返回true。

make_date，make_interval和make_timestamp

構造日期，時間戳和特定間隔。

例：

ss="dp-sql">ss="alt">ss="keyword">SELECT make_timestamp(2020, 01, 7, 30, 45.887)

max_by和min_by

比較兩列并返回與右列的最大值/最小值關聯的左列的值

例：

ss="dp-sql">ss="alt">var df = Seq((1,1),(2,1),(4,3)).toDF(ss="string">"x",ss="string">"y") ss=""> ss="alt"> df.createOrReplaceTempView(ss="string">"table") ss="">spark.sql(ss="string">"select max_by(x,y) from table").show

類型

返回列值的數據類型

版

返回Spark版本及其git版本

justify_days，justify_hours和justify_interval

新引入的對齊功能用于調整時間間隔。

例：

• 表示30天為一個月，

ss="dp-sql">ss="alt">ss="keyword">SELECT justify_days(interval ss="string">'30 day')

分區轉換功能

從Spark 3.0及更高版本開始，存在一些新功能，這些功能有助于對數據進行分區，我將在另一篇文章中介紹。

總體而言，我們已經分析了所有數據轉換和分析功能，這些功能是3.0版本中產生的火花。 希望本指南有助于您了解這些新功能。  這些功能肯定會加速火花開發工作，并有助于建立堅固有效的火花管道。

看完上述內容，你們對Spark 3.0的新功能是什么呢有進一步的了解嗎？如果還想了解更多知識或者相關內容，請關注億速云行業資訊頻道，感謝大家的支持。