如何在 Spark 中对分组数据集整体进行灵活处理

浅雪姑娘_6324

浅雪姑娘_6324

2026-01-19

280人浏览

原创

如何在 Spark 中对分组数据集整体进行灵活处理

本文介绍使用 spark 窗口函数(window + row_number)配合聚合操作,实现对每个分组内行序敏感的筛选与重组,例如跳过每组第二条记录后拼接剩余文本,无需自定义 udaf 即可高效完成。

在 Spark SQL 和 DataFrame API 中,若需对每个分组(如按 Names 分组)执行基于行序的精细操作(如“删除每组第 2 条记录”、“保留前 N 条”、“取中间值”等),直接使用 groupBy().agg() 无法满足需求——因为标准聚合函数(如 collect_list, concat_ws)不感知行内顺序。此时,窗口函数(Window Function)是更简洁、高效且符合 Spark 原生范式的解决方案。

核心思路分为三步:

  1. 添加行号标识:使用 row_number().over(Window.partitionBy("Names").orderBy(...)) 为每组内各行分配唯一序号;
  2. 过滤目标行:通过 .where("rn 2") 排除每组中序号为 2 的记录;
  3. 重新聚合:对清洗后的数据按 Names 分组,用 collect_list 收集剩余文本,并以空格为分隔符拼接。

以下是完整 Java 实现(适配 Spark 3.x):

javascript-typescript-typescript-scaffold
javascript-typescript-typescript-scaffold

你是 TypeScript 项目架构专家,专注于脚手架搭建生产就绪的 Node.js 和前端应用。生成包含现代工具链(pnpm、Vite、Next.js)、类型

下载
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.SparkSession;
import org.apache.spark.sql.expressions.Window;
import static org.apache.spark.sql.functions.*;

// 假设 df 已初始化为原始 Dataset<row>
Dataset<row> result = df
    .withColumn("rn", 
        row_number().over(Window.partitionBy("Names").orderBy("Names"))) // 注意:orderBy 字段影响行序稳定性
    .filter(col("rn").notEqual(2))
    .groupBy("Names")
    .agg(concat_ws(" ", collect_list("Random_Text")).as("Random_Text"));
result.show();</row></row>

✅ 关键说明与注意事项:

  • orderBy("Names") 在窗口中仅用于保证 row_number 可重复性(因 Names 相同,实际顺序未定义)。若业务要求严格顺序(如按原始输入顺序或时间戳),应改用有区分度的列(如 orderBy("timestamp") 或添加 monotonically_increasing_id() 作为辅助排序键);
  • filter(col("rn").notEqual(2)) 等价于 .where("rn 2"),推荐使用列对象语法以增强类型安全;
  • concat_ws(" ", collect_list(...)) 自动忽略 null 值,适合文本拼接场景;若需更复杂逻辑(如去重、截断、格式化),可在 collect_list 后接 udf 或使用高阶函数(Spark 3.4+ 支持 transform, filter 等);
  • 无需自定义 UDAF:本方案完全基于内置函数,性能优、可读性强、易于维护,避免了 UDAF 开发、序列化及调试成本。

该模式可轻松扩展至其他分组级变换场景,例如:“每组保留最后 3 条”、“跳过首尾各 1 条”、“仅合并偶数行”等——只需调整窗口内的 orderBy 和后续 filter 条件即可。

相关文章

PHP速学视频免费教程(入门到精通)
PHP速学视频免费教程(入门到精通)

PHP怎么学习?PHP怎么入门?PHP在哪学?PHP怎么学才快?不用担心,这里为大家提供了PHP速学教程(入门到精通),有需要的小伙伴保存下载就能学习啦!

下载

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

相关专题

更多
数据分析工具有哪些
数据分析工具有哪些

数据分析工具有Excel、SQL、Python、R、Tableau、Power BI、SAS、SPSS和MATLAB等。详细介绍:1、Excel,具有强大的计算和数据处理功能;2、SQL,可以进行数据查询、过滤、排序、聚合等操作;3、Python,拥有丰富的数据分析库;4、R,拥有丰富的统计分析库和图形库;5、Tableau,提供了直观易用的用户界面等等。

2023.10.12

5063

8

SQL中distinct的用法
SQL中distinct的用法

SQL中distinct的语法是“SELECT DISTINCT column1, column2,...,FROM table_name;”。本专题为大家提供相关的文章、下载、课程内容,供大家免费下载体验。

2023.10.27

1031

4

SQL中months_between使用方法
SQL中months_between使用方法

在SQL中,MONTHS_BETWEEN 是一个常见的函数,用于计算两个日期之间的月份差。想了解更多SQL的相关内容,可以阅读本专题下面的文章。

2024.02.23

1329

5

SQL出现5120错误解决方法
SQL出现5120错误解决方法

SQL Server错误5120是由于没有足够的权限来访问或操作指定的数据库或文件引起的。想了解更多sql错误的相关内容,可以阅读本专题下面的文章。

2024.03.06

7141

10

sql procedure语法错误解决方法
sql procedure语法错误解决方法

sql procedure语法错误解决办法:1、仔细检查错误消息;2、检查语法规则;3、检查括号和引号;4、检查变量和参数;5、检查关键字和函数;6、逐步调试;7、参考文档和示例。想了解更多语法错误的相关内容,可以阅读本专题下面的文章。

2024.03.06

3783

4

oracle数据库运行sql方法
oracle数据库运行sql方法

运行sql步骤包括:打开sql plus工具并连接到数据库。在提示符下输入sql语句。按enter键运行该语句。查看结果,错误消息或退出sql plus。想了解更多oracle数据库的相关内容,可以阅读本专题下面的文章。

2024.04.07

7140

11

sql中where的含义
sql中where的含义

sql中where子句用于从表中过滤数据,它基于指定条件选择特定的行。想了解更多where的相关内容,可以阅读本专题下面的文章。

2024.04.29

10001

6

sql中删除表的语句是什么
sql中删除表的语句是什么

sql中用于删除表的语句是drop table。语法为drop table table_name;该语句将永久删除指定表的表和数据。想了解更多sql的相关内容,可以阅读本专题下面的文章。

2024.04.29

1370

5

sql中删除一列的命令是什么
sql中删除一列的命令是什么

在sql中,使用alter table语句可以删除一列,语法为:alter table table_name drop column column_name。想了解更多sql的相关内容,可以阅读本专题下面的文章。

2024.04.29

1192

5

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程
dev.java 官方:Learn Java
dev.java 官方:Learn Java

共0课时 | 0人学习

Java JDBC数据库连接官方教程
Java JDBC数据库连接官方教程

共0课时 | 0人学习