使用 scala 在 spark-sql 中的其他列检索最大日期组

Question

环境 - spark-3.0.1-bin-hadoop2.7、ScalaLibraryContainer 2.12.3、Scala、SparkSQL、eclipse-jee-oxygen-2-linux-gtk-x86_64

我有一个 csv 文件，它有 3 列，数据类型为：String、Long、Date。 我想按字符串的第一列分组并检索最大日期值。

为此，我从文本文件创建了 Person 对象的 RDD，并将其转换为 dataframe 'peopleDF'。 将 dataframe 注册为临时视图。 我使用 spark 提供的 sql 方法运行以下 sql 语句。

val maxDateDF = spark.sql("SELECT name, max(birthDate) maxDate FROM people group by name")

但它没有给出名称的正确最大日期。

我的样本数据如下

Michael, 29,01/03/1992
Justin, 19,01/05/2002
Ben Stokes, 29,01/07/1992
Justin, 18,01/08/2003
Ben Stokes, 29,01/07/1993
Ben Stokes, 29,30/06/1993

如何按其他字段名称检索最大日期值组？

package org.apache.spark.examples.sql

import org.apache.spark.sql.Row
import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.types._
import java.sql.Date
import breeze.linalg.max

object SparkSQLExample1 {

case class Person(name: String, age: Long, birthDate: String)

def main(args: Array[String]): Unit = {
val spark = SparkSession.builder().appName("Spark SQL basic example")
.config("spark.master", "local").getOrCreate();
import spark.implicits._
runInferSchemaExample(spark);
spark.stop()
}

 private def runInferSchemaExample(spark: SparkSession): Unit = {
import spark.implicits._
val peopleDF = spark.sparkContext
  .textFile("examples/src/main/resources/people.txt")
  .map(_.split(","))
  .map(attributes => Person(attributes(0), attributes(1).trim.toInt,attributes(2)))
  .toDF()
  
peopleDF.groupBy("age").count().show();
peopleDF.groupBy("name").avg("age").show();
  
 peopleDF.createOrReplaceTempView("people")
 
 implicit val mapEncoder = org.apache.spark.sql.Encoders.kryo[Map[String, Any]]
 val maxDateDF = spark.sql("SELECT name, max(birthDate) maxDate FROM people group by name")
 maxDateDF.map(teenager => teenager.getValuesMap[Any](List("name", "maxDate"))).collect().foreach(println)

}
}

Answer 1

在字符串类型列上应用max不会为您提供最大日期。 您需要先将其转换为日期类型列：

val maxDateDF = spark.sql("SELECT name, max(to_date(birthDate, 'dd/MM/yyyy')) maxDate FROM people group by name")

如果您希望保留原始日期格式，可以使用date_format将其转换回字符串：

val maxDateDF = spark.sql("SELECT name, date_format(max(to_date(birthDate, 'dd/MM/yyyy')), 'dd/MM/yyyy') maxDate FROM people group by name")