大数据实战-Spark实战技巧
1.连接mysql
–driver-class-path mysql-connector-java-5.1.21.jar
在数据库中，SET GLOBAL binlog_format=mixed;
2.Spark中 使用Hive的udf
同样使用—jars 才行
3.Spark jupyter使用
https://www.jb51.net/article/163641.htm
https://my.oschina.net/albert2011/blog/754174
使用jupyter-notebook –ip hostname -i来启动
4.Spark使用hive的orc解析格式
spark.sql.hive.convertMetastoreOrc=true
使用spark写入hive表中的数据，可能会出现空指针问题或者数据越界问题，问题原因是spark的元数据解析问题，而不是hive的元数据解析问题
5.row_number排序算子的使用
import org.apache.spark.sql.expressions.Window
import org.apache.spark.sql.functions.row_number
import org.apache.spark.sql.functions._
1.spark.sql(sql).withColumn(“rn”, row_number().over(Window.partitionBy(‘f_trans_id).orderBy(col(“f_modify_time”).desc)))
2.spark.sql(sql).withColumn(“rn”, row_number().over(Window.partitionBy(‘f_trans_id).orderBy(-col(“f_modify_time”))))
3.val df = spark.sql(sql)
df.withColumn(“rn”, row_number().over(Window.partitionBy(‘f_trans_id).orderBy(-df(“f_modify_time”))))
4.spark.sql(sql).withColumn(“rn”, row_number().over(Window.partitionBy(‘f_trans_id).orderBy(-‘f_modify_time)))
注意：-的方式，经过测试，不稳定，有时可以，有时不可以
6.broadcast广播表
sc.broadcast是广播数据，一般用于rdd广播，而下面的方式用于广播表
import org.apache.spark.sql.functions.broadcast
broadcast(tableData).createOrReplaceTempView
吴邪，小三爷，混迹于后台，大数据，人工智能领域的小菜鸟。
更多请关注