一、简单聚合
1.1 数据准备
// 需要导入 spark sql 内置的函数包import org.apache.spark.sql.functions._val spark = SparkSession.builder().appName("aggregations").master("local[2]").getOrCreate()val empDF = spark.read.json("/usr/file/json/emp.json")// 注册为临时视图，用于后面演示 SQL 查询empDF.createOrReplaceTempView("emp")empDF.show() 注：emp.json 可以从本仓库的 目录下载。
1.2 count
// 计算员工人数empDF.select(count("ename")).show() 1.3 countDistinct
// 计算姓名不重复的员工人数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。
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。
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。
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。
empDF.select(sum("sal")).show()empDF.select(sumDistinct("sal")).show() 1.8 avg
内置的求平均数的函数。
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.计算总体方差、均方差、总体标准差、样本标准差empDF.select(var_pop("sal"), var_samp("sal"), stddev_pop("sal"), stddev_samp("sal")).show()// 2.计算偏度和峰度empDF.select(skewness("sal"), kurtosis("sal")).show()// 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)empDF.select(corr("empno", "sal"), covar_samp("empno", "sal"),covar_pop("empno", "sal")).show() 1.10 聚合数据到集合
scala> empDF.agg(collect_set("job"), collect_list("ename")).show()输出：+--------------------+--------------------+| collect_set(job)| collect_list(ename)|+--------------------+--------------------+|[MANAGER, SALESMA...|[SMITH, ALLEN, WA...|+--------------------+--------------------+ 二、分组聚合
2.1 简单分组
empDF.groupBy("deptno", "job").count().show()//等价 SQLspark.sql("SELECT deptno, job, count(*) FROM emp GROUP BY deptno, job").show()输出：+------+---------+-----+|deptno| job|count|+------+---------+-----+| 10|PRESIDENT| 1|| 30| CLERK| 1|| 10| MANAGER| 1|| 30| MANAGER| 1|| 20| CLERK| 2|| 30| SALESMAN| 4|| 20| ANALYST| 2|| 10| CLERK| 1|| 20| MANAGER| 1|+------+---------+-----+ 2.2 分组聚合
empDF.groupBy("deptno").agg(count("ename").alias("人数"), sum("sal").alias("总工资")).show()// 等价语法empDF.groupBy("deptno").agg("ename"->"count","sal"->"sum").show()// 等价 SQLspark.sql("SELECT deptno, count(ename) ,sum(sal) FROM emp GROUP BY deptno").show()输出：+------+----+------+|deptno|人数|总工资|+------+----+------+| 10| 3|8750.0|| 30| 6|9400.0|| 20| 5|9375.0|+------+----+------+ 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
import org.apache.spark.sql.expressions.Aggregatorimport org.apache.spark.sql.{Encoder, Encoders, SparkSession, functions}// 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case class Emp(ename: String, comm: scala.Option[Double], deptno: Long, empno: Long, hiredate: String, job: String, mgr: scala.Option[Long], sal: Double)// 2.定义聚合操作的中间输出类型case class SumAndCount(var sum: Double, var count: Long)/* 3.自定义聚合函数 * @IN 聚合操作的输入类型 * @BUF reduction 操作输出值的类型 * @OUT 聚合操作的输出类型 */object MyAverage extends Aggregator[Emp, SumAndCount, Double] { // 4.用于聚合操作的的初始零值 override def zero: SumAndCount = SumAndCount(0, 0) // 5.同一分区中的 reduce 操作 override def reduce(avg: SumAndCount, emp: Emp): SumAndCount = { avg.sum += emp.sal avg.count += 1 avg } // 6.不同分区中的 merge 操作 override def merge(avg1: SumAndCount, avg2: SumAndCount): SumAndCount = { avg1.sum += avg2.sum avg1.count += avg2.count avg1 } // 7.定义最终的输出类型 override def finish(reduction: SumAndCount): Double = reduction.sum / reduction.count // 8.中间类型的编码转换 override def bufferEncoder: Encoder[SumAndCount] = Encoders.product // 9.输出类型的编码转换 override def outputEncoder: Encoder[Double] = Encoders.scalaDouble}object SparkSqlApp { // 测试方法 def main(args: Array[String]): Unit = { val spark = SparkSession.builder().appName("Spark-SQL").master("local[2]").getOrCreate() import spark.implicits._ val ds = spark.read.json("file/emp.json").as[Emp] // 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 val myAvg = ds.select(MyAverage.toColumn.name("average_sal")).first() val avg = ds.select(functions.avg(ds.col("sal"))).first().get(0) println("自定义 average 函数 : " + myAvg) println("内置的 average 函数 : " + avg) }} 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：
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：
override def bufferEncoder: Encoder[SumAndCount] = Encoders.productoverride 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：
import org.apache.spark.sql.expressions.{MutableAggregationBuffer, UserDefinedAggregateFunction}import org.apache.spark.sql.types._import org.apache.spark.sql.{Row, SparkSession}object MyAverage extends UserDefinedAggregateFunction { // 1.聚合操作输入参数的类型,字段名称可以自定义 def inputSchema: StructType = StructType(StructField("MyInputColumn", LongType) :: Nil) // 2.聚合操作中间值的类型,字段名称可以自定义 def bufferSchema: StructType = { StructType(StructField("sum", LongType) :: StructField("MyCount", LongType) :: Nil) } // 3.聚合操作输出参数的类型 def dataType: DataType = DoubleType // 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 def deterministic: Boolean = true // 5.定义零值 def initialize(buffer: MutableAggregationBuffer): Unit = { buffer(0) = 0L buffer(1) = 0L } // 6.同一分区中的 reduce 操作 def update(buffer: MutableAggregationBuffer, input: Row): Unit = { if (!input.isNullAt(0)) { buffer(0) = buffer.getLong(0) + input.getLong(0) buffer(1) = buffer.getLong(1) + 1 } } // 7.不同分区中的 merge 操作 def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = { buffer1(0) = buffer1.getLong(0) + buffer2.getLong(0) buffer1(1) = buffer1.getLong(1) + buffer2.getLong(1) } // 8.计算最终的输出值 def evaluate(buffer: Row): Double = buffer.getLong(0).toDouble / buffer.getLong(1)}object SparkSqlApp { // 测试方法 def main(args: Array[String]): Unit = { val spark = SparkSession.builder().appName("Spark-SQL").master("local[2]").getOrCreate() // 9.注册自定义的聚合函数 spark.udf.register("myAverage", MyAverage) val df = spark.read.json("file/emp.json") df.createOrReplaceTempView("emp") // 10.使用自定义函数和内置函数分别进行计算 val myAvg = spark.sql("SELECT myAverage(sal) as avg_sal FROM emp").first() val avg = spark.sql("SELECT avg(sal) as avg_sal FROM emp").first() println("自定义 average 函数 : " + myAvg) println("内置的 average 函数 : " + avg) }} 参考资料
- Matei Zaharia, Bill Chambers . Spark: The Definitive Guide[M] . 2018-02
更多大数据系列文章可以参见 GitHub 开源项目：