如何在spark里面使用窗口函数
在大数据分析中，窗口函数最常见的应用场景就是对数据进行分组后，求组内数据topN的需求，如果没有窗口函数，实现这样一个需求还是比较复杂的，不过现在大多数标准SQL中都支持这样的功能，今天我们就来学习下如何在spark sql使用窗口函数来完成一个分组求TopN的需求。
思路分析：
在spark sql中有两种方式可以实现：
（1）使用纯spark sql的方式。
（2）spark的编程api来实现。
虽然有两种形式，但底层原理都一样，借助了spark里面的window算子，我们先来看下纯sql的实现方式，其代码如下：
def main(args: Array[String]): Unit = {
val spark = SparkSession .builder().master("local[1]") .appName("Spark SQL basic example") .getOrCreate()
import spark.implicits._ val df = spark.sparkContext.parallelize(Seq( (1,"2019-03-01","河北","ios"), (1,"2019-06-01","北京","Android"), (1,"2019-07-01","北京","Android"), (1,"2019-07-01","北京","Android"), (2,"2019-04-01","河南","Android"), (2,"2019-06-01","山西","ios"), (2,"2019-08-01","湖南","ios") )).toDF("id", "date", "address","device")//转化df的三列数据s
df.createOrReplaceTempView("login")
//先对组内数据，进行排序 val s2=spark.sql("select id, date,address,device, rank() over (partition by id order by date desc ) as rank from login") s2.createOrReplaceTempView("login2") //取top N val s3=spark.sql("select * from login2 where rank=1")
s3.show()
}我们来看下输出结果如下：
+---+----------+-------+-------+----+| id| date|address| device|rank|+---+----------+-------+-------+----+| 1|2019-07-01| 北京|Android| 1|| 1|2019-07-01| 北京|Android| 1|| 2|2019-08-01| 湖南| ios| 1|+---+----------+-------+-------+----+注意这里，我为了保持整洁，没有使用嵌套的子查询，而是在s3处，又过滤了一下结果。 我们看到，在sql中我们借助使用了rank函数，因为id=1的，最新日期有两个一样的，所以rank相等， 故最终结果返回了三条数据，到这里有的朋友可能就有疑问了，我只想对每组数据取topN，比如每组只取一条应该怎么控制，现在某组可能会返回2条，虽然意义上没错，但总觉得不太好，那么能不能实现呢？
答案是可以的，这就涉及到关于排名函数的介绍，我们这里只介绍常用的三种，分别是：
（1）rank
（2）row_number
（3）dense_rank
这次，我们用代码实现上面的需求，并观察上面上个函数生成rank值的区别，代码如下：
def main(args: Array[String]): Unit = {
val spark = SparkSession .builder().master("local[1]") .appName("Spark SQL basic example") .getOrCreate()
import spark.implicits._ val df = spark.sparkContext.parallelize(Seq( (1,"2019-03-01","河北","ios"), (1,"2019-06-01","北京","Android"), (1,"2019-07-01","北京","Android"), (1,"2019-07-01","北京","Android"), (2,"2019-04-01","河南","Android"), (2,"2019-06-01","山西","ios"), (2,"2019-08-01","湖南","ios") )).toDF("id", "date", "address","device")//转化df的三列数据s
// df.createOrReplaceTempView("login")
val s2=Window.partitionBy("id").orderBy(col("date").desc) df.withColumn("rank",rank().over(s2))//生成rank值可以重复但不一定连续 .withColumn("dense_rank",dense_rank().over(s2))//生成rank值可以重复但是连续 .withColumn("row_number",row_number().over(s2))//生成的rank值不重复但是连续 .show()
}ok，我们看下输出结果：
+---+----------+-------+-------+----+----------+----------+| id| date|address| device|rank|dense_rank|row_number|+---+----------+-------+-------+----+----------+----------+| 1|2019-07-01| 北京|Android| 1| 1| 1|| 1|2019-07-01| 北京|Android| 1| 1| 2|| 1|2019-06-01| 北京|Android| 3| 2| 3|| 1|2019-03-01| 河北| ios| 4| 3| 4|| 2|2019-08-01| 湖南| ios| 1| 1| 1|| 2|2019-06-01| 山西| ios| 2| 2| 2|| 2|2019-04-01| 河南|Android| 3| 3| 3|+---+----------+-------+-------+----+----------+----------+注意看输出数据的前三行，观察后面的值，我们能够发现上面三个函数的区别是：
（1）rank （生成rank值可以重复但不一定连续）
（2）row_number （生成rank值可以重复但是连续）
（3）dense_rank （生成的rank值不重复但是连续）
了解上面的区别后，我们再回到刚才的那个问题，如何取Top1的时候，每组只返回一条数据？
答案就是使用row_number进行过滤，如下，对上面的代码稍加改造即可：
val s2=Window.partitionBy("id").orderBy(col("date").desc) df.withColumn("rank",rank().over(s2))//生成rank值可以重复但不一定连续 .withColumn("dense_rank",dense_rank().over(s2))//生成rank值可以重复但是连续 .withColumn("row_number",row_number().over(s2))//生成的rank值不重复但是连续 .where("row_number=1")//新增代码 .show()结果如下：
+---+----------+-------+-------+----+----------+----------+| id| date|address| device|rank|dense_rank|row_number|+---+----------+-------+-------+----+----------+----------+| 1|2019-07-01| 北京|Android| 1| 1| 1|| 2|2019-08-01| 湖南| ios| 1| 1| 1|+---+----------+-------+-------+----+----------+----------+在sql里面也一样，只要把rank函数换成row_number函数即可，这里就不在演示了，感兴趣的同学可以自己尝试下。
在spark的窗口函数里面，上面的应用场景属于比较常见的case，当然spark窗口函数的功能要比上面介绍的要丰富的多，这里就不在介绍了，想学习的同学可以参考下面的这个链接：
https://databricks.com/blog/2015/07/15/introducing-window-functions-in-spark-sql.html