目录
一.?Spark SQL中数据清洗的API有哪些，各自作用是什么？
二. 设置Spark SQL的shuffle分区数的方式有哪几种
? ? ? ? 1. 去重?
????????????????Dorpduplicate:? 桌度仆力K
????????init_df.dropDuplicates().show()
? ? ????????init_df.dropDuplicates(subset=[字段1,字段2]).show()如果没有指定subset,那么就会对一整行的数据 进行比对, 如果全部都相同,那么就删除
? ? ? ? 2. 去除空值
????????????????????????dropna : 桌那
????????? ? init_df.dropna(thresh=2,subset=["字段1,字段2"]).show()
? ????????? init_df.dropna(thresh=2).show()????????????????init_df.dropna().show()
如果不传参数,只要有一个字段为null就删除全部
如果制定了subset,那么检查的范围就限定在subset里
thresh就是进一步指定范围的数值,至少有thresh个值不为空,才不会被删除
? ? ? ? ?3. 填充替换
????????????????????????fillna: feel那
????????????init_df.fillna(value=999).show()
? ? ????????init_df.fillna(value=999,subset=["字段1","字段2"]).show()
? ? ????????init_df.fillna(value={"{"name":"未知姓名","age":100}).show()????????????????fillna(value,subset):替换缺失值数据
? ? ? ? value(是要替换的内容) , subset是要替换的范围 ,常用的是value = 字典类型的形式
? ? ? ? 方式一:
????????????????全局设置:? Spark.sql.shuffle.Partitions 数量
? ? ? ? 方式二:
? ? ? ? ? ? ? ? 动态设置shuffle分区数量 :??./spark-submit --conf "spark.sql.shuffle.partitions=数量"
? ? ? ? 方式三:
? ? ? ? ? ? ? ?写死分区数: sparkSession.conf.set('spark.sql.shuffle.partitions',数量)
????????中文乱码问题。需要设置数据库编码，以及在连接URL中指定编码参数
?????????useUnicode=true&characterEncoding=utf-8
? ? ? ? Spark 集群 : Spark自带的集群 , 也称为Standalone
? ? ? ? Yarn集群:Spark程序运行在Yarn上