udf函数自定义
from pyspark.sql import SparkSession
from pyspark.sql.types import *
创建连接
ss = SparkSession.builder.getOrCreate()
读取hdfs的数据,格式为csv 读取的是hdfs我还以为会调整一下
8020是namenode的默认端口
df_csv = ss.read.csv(‘hdfs://node1:8020/user/hive/warehouse/data/stu.csv’,
schema=‘name string,age int,gender string,phone string,email string,city string,address string’)
df_csv.show()
对邮箱数据进行处理
def func(email):
username = email.split(‘@’)[0]
email_name = email.split(‘@’)[1].split(‘.’)[0]
# todo 新知识:返回多个数据如何做到?
return [username, email_name]
将定义的函数注册到spark中进行使用
todo 我说之前怎么自定义后用不了,原来是没有注册
第一个函数 指定一个注册的函数名称
第二个函数 指定一个自定义函数名称
returnType 指定返回的数据类型
注意这里的func不能带括号,返回的数据类型是需要导入另一个包
好好,这里又用一个坑,它不自己跳出来returnType=ArrayType(StringType())
todo returnType=ArrayType(StringType) 里面的这个括号它自己不跳出来
email_func = ss.udf.register(‘email_func’, func, returnType=ArrayType(StringType()))
SQL使用
df_csv.createTempView(‘stu’)
df_csv_show = ss.sql(‘select neme,age,general email_func(email)[1] from stu’)
df_csv_show.show()文章来源:https://www.toymoban.com/news/detail-813308.html
DSL
我以为是怎么用的,df_csv.email
df_csv_SQL= df_csv.select(‘name’,‘age’,‘gender’,email_func(‘email’).alias(‘email_data’)[0])
df_csv_SQL.show()文章来源地址https://www.toymoban.com/news/detail-813308.html
到了这里,关于spark-udf函数的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!