Introduktion till Spark SQL

Introduktion till PySpark

Benjamin Schmidt

Data Engineer

Vad är Spark SQL

Modul i Apache Spark för strukturerad databehandling
Gör det möjligt att köra SQL-frågor parallellt med databehandling
Kombinerar Python och SQL sömlöst i en och samma applikation

DataFrame-gränssnitt: ger programmatisk åtkomst till strukturerad data

Skapa temporära tabeller

# Initialize Spark session
spark = SparkSession.builder.appName("Spark SQL Example").getOrCreate()

# Sample DataFrame
data = [("Alice", "HR", 30), ("Bob", "IT", 40), ("Cathy", "HR", 28)]
columns = ["Name", "Department", "Age"]
df = spark.createDataFrame(data, schema=columns)

# Register DataFrame as a temporary view
df.createOrReplaceTempView("people")

# Query using SQL
result = spark.sql("SELECT Name, Age FROM people WHERE Age > 30")
result.show()

Djupare om temporära vyer

Temporära vyer skyddar underliggande data under analys

Inläsning från CSV använder metoder vi redan känner till

df = spark.read.csv("path/to/your/file.csv", header=True, inferSchema=True)

# Register DataFrame as a temporary view
df.createOrReplaceTempView("employees")

Kombinera SQL och DataFrame-operationer

# SQL query result
query_result = spark.sql("SELECT Name, Salary FROM employees WHERE Salary > 3000")

# DataFrame transformation
high_earners = query_result.withColumn("Bonus", query_result.Salary * 0.1)
high_earners.show()

Nu kör vi en övning!

Introduktion till PySpark