1. 数据的关联与合并

1.1 join关联

students表数据：

1.1.1 内关联

内关联只返回两个 DataFrame 中在连接键上匹配的行。

# join 关联
from pyspark.sql import SparkSessionss = SparkSession.builder.getOrCreate()#读取文件数据转为df
df1 = ss.read.csv('hdfs://node1/data/students.csv',header=True,sep=',')
df2 = ss.read.csv('hdfs://node1/data/students2.csv',header=True,sep=',')#join 关联
df_join = df1.join(df2,'id') #默认时内关联
df_join.show()

运行结果：

1.1.2 左关联

左关联以左 DataFrame 为基础，返回左 DataFrame 的所有行以及在右 DataFrame 中与左 DataFrame 连接键匹配的行。如果右 DataFrame 中没有匹配的行，则相应的列将填充为 null。

# join 关联
from pyspark.sql import SparkSessionss = SparkSession.builder.getOrCreate()#读取文件数据转为df
df1 = ss.read.csv('hdfs://node1/data/students.csv',header=True,sep=',')
df2 = ss.read.csv('hdfs://node1/data/students2.csv',header=True,sep=',')
#左关联
df_left_join = df1.join(df2,'id','left')
df_left_join.show()

运行结果：

1.1.3 右关联

右关联以右 DataFrame 为基础，返回右 DataFrame 的所有行以及在左 DataFrame 中与右 DataFrame 连接键匹配的行。如果左 DataFrame 中没有匹配的行，则相应的列将填充为 null。

# join 关联
from pyspark.sql import SparkSessionss = SparkSession.builder.getOrCreate()#读取文件数据转为df
df1 = ss.read.csv('hdfs://node1/data/students.csv',header=True,sep=',')
df2 = ss.read.csv('hdfs://node1/data/students2.csv',header=True,sep=',')#右关联
df_right_join = df1.join(df2,'id','right')
df_right_join.show()

运行结果：

1.2 Union合并

在 Spark 中，union用于合并两个或多个相同数据结构的数据集（DataFrame 或 Dataset）。

# union合并  上下行合并要保证字段数量和类型一致
from pyspark.sql import SparkSessionss = SparkSession.builder.getOrCreate()# 读取文件数据转为df
df1 = ss.read.csv('hdfs://node1:8020/data/students.csv',header=True,sep=',')
df2 = ss.read.csv('hdfs://node1:8020/data/students2.csv',header=True,sep=',')# 合并
df_union = df1.union(df2)
df_union.show(100)df_unionAll = df1.unionAll(df2)  # 和union效果一样
df_unionAll.show(100)# 合并后去重
df_distinct =  df_union.distinct()
df_distinct.show(100)

注意：union合并时，上下行合并要保证字段数量和类型一致。

2. 缓存和checkpoint

# 缓存和checkpoint
from pyspark.sql import SparkSessionss = SparkSession.builder.getOrCreate()# 指定checkpoint位置
sc = ss.sparkContext
sc.setCheckpointDir('hdfs://node1:8020/df_checpoint')# 读取文件数据转为df
df1 = ss.read.csv('hdfs://node1:8020/data/students.csv',header=True,sep=',')# df1数据缓存
df1.persist()# df1数据checkpoint
df1.checkpoint()# df中的缓存和checkpoint不需要触发执行，内部会自动触发