spark踩坑记录 (一) group by

mysql 与 spark sql 语法大致相通。但是会有一些坑存在。比如 group by

需求场景：

在视屏表中，取每个作者最新的一条数据。

即，筛选出所有 user_id对应的最新的（通过create_time 倒序取）一条数据。

mysql中：

select user_id,site,create_time
from ( select user_id, site, create_time   from table_videowhere dt =20210909 and user_id is not null order by create_time desc ) a
group by user_id

mysql --> Spark 产生异常：

但是，同样的代码进入 spark 就会报异常：

org.apache.spark.sql.AnalysisException:
expression 'a.`site`' is neither present in the group by, nor is it an aggregate function.
Add to group by or wrap in first() (or first_value)

网上搜索后得知：

mySQL 语句中少了一个分组, spark 中的sql用的是美式标准的sql。

说是需要将查询的字段，都加在 group by 后面：

select user_id,site,create_time
from ( select user_id, site, create_time   from table_videowhere dt =20210909 and user_id is not nullorder by create_time desc ) a
group by user_id,site,  create_time

但最终查询的结果并不满足我们场景需要的内容：

最终分组是根据三列属性来分组，如果他们的数据个数分别是：k、m、n个，那查询的行数是 k*m*n个；

不符合我们期待的k个user_id对应的最新记录。

正确解决：

在spark中，site等几列在 group by user_id 时，会有多个查询结果：

如果都需要，就获取其余几列对应的属性值集合： collect_set(site), collect_list(create_time) -- 前者去重，后者不去重
如果不需要全部，只是取随机一行里的属性值：first(site) 【不同于 MySQL 默认的第一行】

Spark中：

select user_id, first(site), first(create_time)
from ( select user_id, site, create_time   from table_videowhere dt =20210909 and user_id is not null order by create_time desc ) a
group by user_id

Spark中复杂嵌套：

如果外部有嵌套，最好给几列属性，内部另起别名/或者外部也得使用 dtpv.first(site) 。否则在外面直接用 dtpv.site 会报错

select  dta.user_id, dta.user_name, dtpv.site,  dtpv.create_time as update_time
from tv_author AS dta
LEFT JOIN (select user_id, first(site) as site, first(create_time) as create_timefrom ( select user_id,site,create_time   from  table_videowhere dt =20210909 and user_id is not null order by create_time desc ) agroup by user_id
) AS dtpv
on dtpv.user_id = dta.user_id
where dta.dt = 20210909

spark踩坑记录 (一) group by相关推荐

Spark踩坑填坑-聚合函数-序列化异常
Spark踩坑填坑-聚合函数-序列化异常一.Spark聚合函数特殊场景二.spark sql group by 三.Spark Caused by: java.io.NotSerializable ...
Spark踩坑记——数据库（Hbase+Mysql）转
转自:http://www.cnblogs.com/xlturing/p/spark.html 前言在使用Spark Streaming的过程中对于计算产生结果的进行持久化时,我们往往需要操作数据库 ...
mysql 使用sum limit_mysql踩坑记录之limit和sum函数混合使用问题
问题复盘本次复盘会用一个很简单的订单表作为示例. 数据准备订单表建表语句如下(这里偷懒了,使用了自增ID,实际开发中不建议使用自增ID作为订单ID) CREATE TABLE `order` ( ...
日常踩坑记录-汇总版
开发踩坑记录,不定时更新心得 RTFM 严谨的去思考问题,处理问题严格要求自己的代码编写习惯与风格注意单词拼写 20200207 mybatis plus 自带insert插入异常 sql i ...
【mysql】踩坑记录之derived(派生表)
文章目录前言出现的问题如何解决方法一:改写sql 方法二:改写sql 方法三:改写sql 前言很多时候我们常常感觉到,不要你以为,mysql要它以为.记录派生表踩坑记录. 首先说明环境mys ...
【踩坑记录】仿真环境使用小车进行Cartographer 3D Slam（深度摄像头）
[运行背景] ROS1 20.04 noetic 安装cartographer请看: [安装学习]安装Cartographer ROS(noetic)_Howe_xixi的博客-CSDN博客网上使用n ...
Slam学习笔记——ROS踩坑记录
Slam学习笔记--ROS踩坑记录 1. 安装 2. ROS文件系统 2.1 工作区 2.2 包package 2.2.1 包的操作 2.2.2 描述文件package.xml 2.3 节点node ...
pyspark——functions.when踩坑记录
pyspark--functions.when踩坑记录背景介绍案例分享背景介绍我们一般认知觉得判断逻辑在后的会覆盖判断逻辑在前的判断结果,可是结果是枉然案例分享下面展示一些内联代码片. ...
TX2 配置jupyterhub踩坑记录
TX2 配置jupyterhub踩坑记录问题描述: 参考教程1和教程2进行安装,报错提示如下(应该是连不上本地http://127.0.0.1:8001/api/routes).但使用lsof -i ...

spark踩坑记录 (一) group by

spark踩坑记录 (一) group by相关推荐

最新文章

热门文章