SparkSQL 中group by、grouping sets、rollup和cube方法详解

在平时的工作中，经常有按照不同维度筛选和统计数据的需求。拿视频会员订单数据来说吧，运营人员要查看深圳市的成功下单数或则深圳市某一种产品的成功下单数或者某一种产品的所有成功下单数时，每天的订单数又很大，现查的话按照不同的维度去查询又很慢。此时本篇文章或许会帮助到你。

group by：主要用来对查询的结果进行分组，相同组合的分组条件在结果集中只显示一行记录。可以添加聚合函数。

grouping sets：对分组集中指定的组表达式的每个子集执行group by，group by A,B grouping sets(A,B)就等价于 group by A union group by B,其中A和B也可以是一个集合，比如group by A,B,C grouping sets((A,B),(A,C))。

rollup：在指定表达式的每个层次级别创建分组集。group by A,B,C with rollup首先会对(A、B、C)进行group by，然后对(A、B)进行group by，然后是(A)进行group by，最后对全表进行group by操作。

cube:为指定表达式集的每个可能组合创建分组集。首先会对(A、B、C)进行group by，然后依次是(A、B)，(A、C)，(A)，(B、C)，(B)，( C)，最后对全表进行group by操作。

数据库中会员订单的数据映射的对象如下：

case class MemberOrderInfo(area:String,memberType:String,product:String,price:Int)

会员订单表中的数据如下：

    import sqlContext.implicits._
    val orders=Seq(
      MemberOrderInfo("深圳","钻石会员","钻石会员1个月",25),
      MemberOrderInfo("深圳","钻石会员","钻石会员1个月",25),
      MemberOrderInfo("深圳","钻石会员","钻石会员3个月",70),
      MemberOrderInfo("深圳","钻石会员","钻石会员12个月",300),
      MemberOrderInfo("深圳","铂金会员","铂金会员3个月",60),
      MemberOrderInfo("深圳","铂金会员","铂金会员3个月",60),
      MemberOrderInfo("深圳","铂金会员","铂金会员6个月",120),
      MemberOrderInfo("深圳","黄金会员","黄金会员1个月",15),
      MemberOrderInfo("深圳","黄金会员","黄金会员1个月",15),
      MemberOrderInfo("深圳","黄金会员","黄金会员3个月",45),
      MemberOrderInfo("深圳","黄金会员","黄金会员12个月",180),
      MemberOrderInfo("北京","钻石会员","钻石会员1个月",25),
      MemberOrderInfo("北京","钻石会员","钻石会员1个月",25),
      MemberOrderInfo("北京","铂金会员","铂金会员3个月",60),
      MemberOrderInfo("北京","黄金会员","黄金会员3个月",45),
      MemberOrderInfo("上海","钻石会员","钻石会员1个月",25),
      MemberOrderInfo("上海","钻石会员","钻石会员1个月",25),
      MemberOrderInfo("上海","铂金会员","铂金会员3个月",60),
      MemberOrderInfo("上海","黄金会员","黄金会员3个月",45)
    )
    //把seq转换成DataFrame
   val memberDF:DataFrame =orders.toDF()
    //把DataFrame注册成临时表
   memberDF.registerTempTable("orderTempTable")

接下来我们通过操作 orderTempTable 来看一下grouping sets、group by、rollup和cube具体如何使用。

1.group by

group by是SELECT语句的从句，用来指定查询分组条件，主要用来对查询的结果进行分组，相同组合的分组条件在结果集中只显示一行记录。使用group by从句时候，通过添加聚合函数（主要有COUNT()、SUM、MAX()、MIN()等）可以使数据聚合。

 sqlContext.sql("select area,memberType,product,sum(price) as total from orderTempTable group by area,memberType,product")

执行结果如下，可以看到结果中按照area,memberType,product来做聚合sum操作。

+----+----------+--------+---+
|area|memberType|product |total|
+----+----------+--------+---+
|深圳  |铂金会员      |铂金会员6个月 |120|
|深圳  |黄金会员      |黄金会员12个月|180|
|深圳  |钻石会员      |钻石会员3个月 |70 |
|深圳  |黄金会员      |黄金会员3个月 |45 |
|深圳  |钻石会员      |钻石会员12个月|300|
|北京  |黄金会员      |黄金会员3个月 |45 |
|深圳  |钻石会员      |钻石会员1个月 |50 |
|深圳  |黄金会员      |黄金会员1个月 |30 |
|深圳  |铂金会员      |铂金会员3个月 |120|
|北京  |钻石会员      |钻石会员1个月 |50 |
|北京  |铂金会员      |铂金会员3个月 |60 |
|上海  |黄金会员      |黄金会员3个月 |45 |
|上海  |钻石会员      |钻石会员1个月 |50 |
|上海  |铂金会员      |铂金会员3个月 |60 |
+----+----------+--------+---+

2.grouping sets

a.grouping sets是group by子句更进一步的扩展, 它让你能够定义多个数据分组。这样做使聚合更容易, 并且因此使得多维数据分析更容易。
b.够用grouping sets在同一查询中定义多个分组

    sqlContext.sql("select area,memberType,product,sum(price) as total from orderTempTable group by area,memberType,product grouping sets(area,memberType,product)")

上面的语句输出结果如下，可以看到使用grouping sets(area,memberType,product)会分别对这3个维度进行group by，也可以grouping sets ((area,memberType),(area,product)))此时相当于group by (area,memberType) union group by (area,product),也就是说grouping sets 后面可以指定你想要的各种维度组合。

+----+----------+--------+-----+
|area|memberType|product |total|
+----+----------+--------+-----+
|null|null      |铂金会员3个月 |240  |
|null|铂金会员      |null    |360  |
|上海  |null      |null    |155  |
|null|钻石会员      |null    |520  |
|null|null      |钻石会员12个月|300  |
|null|null      |黄金会员12个月|180  |
|null|null      |钻石会员3个月 |70   |
|null|null      |黄金会员3个月 |135  |
|深圳  |null      |null    |915  |
|null|null      |钻石会员1个月 |150  |
|null|null      |黄金会员1个月 |30   |
|null|黄金会员      |null    |345  |
|北京  |null      |null    |155  |
|null|null      |铂金会员6个月 |120  |
+----+----------+--------+-----+

3.rollup

rollup 是根据维度在数据结果集中进行的聚合操作。
group by A,B,C with rollup首先会对(A、B、C)进行group by，然后对(A、B)进行group by，然后是(A)进行group by，最后对全表进行group by操作。

    sqlContext.sql("select area,memberType,product,sum(price) as total from orderTempTable group by area,memberType,product with rollup")

输出结果中，可以group by A,B,C with rollup，的确是上述几种group by的并集。

+----+----------+--------+-----+
|area|memberType|product |total|
+----+----------+--------+-----+
|上海  |null      |null    |155  |
|北京  |铂金会员      |null    |60   |
|北京  |钻石会员      |null    |50   |
|上海  |钻石会员      |钻石会员1个月 |50   |
|深圳  |黄金会员      |黄金会员1个月 |30   |
|深圳  |钻石会员      |钻石会员12个月|300  |
|北京  |黄金会员      |黄金会员3个月 |45   |
|深圳  |钻石会员      |钻石会员3个月 |70   |
|北京  |铂金会员      |铂金会员3个月 |60   |
|上海  |铂金会员      |null    |60   |
|上海  |钻石会员      |null    |50   |
|深圳  |黄金会员      |null    |255  |
|深圳  |null      |null    |915  |
|上海  |黄金会员      |黄金会员3个月 |45   |
|深圳  |铂金会员      |铂金会员3个月 |120  |
|深圳  |钻石会员      |钻石会员1个月 |50   |
|上海  |铂金会员      |铂金会员3个月 |60   |
|北京  |黄金会员      |null    |45   |
|深圳  |铂金会员      |null    |240  |
|null|null      |null    |1225 |
|深圳  |钻石会员      |null    |420  |
|北京  |null      |null    |155  |
|北京  |钻石会员      |钻石会员1个月 |50   |
|深圳  |黄金会员      |黄金会员12个月|180  |
|深圳  |铂金会员      |铂金会员6个月 |120  |
|深圳  |黄金会员      |黄金会员3个月 |45   |
|上海  |黄金会员      |null    |45   |
+----+----------+--------+-----+

4.cube

group by A,B,C with cube，则首先会对(A、B、C)进行group by，然后依次是(A、B)，(A、C)，(A)，(B、C)，(B)，( C)，最后对全表进行group by操作。

    sqlContext.sql("select area,memberType,product,sum(price) as total from orderTempTable group by area,memberType,product with cube")

+----+----------+--------+-----+
|area|memberType|product |total|
+----+----------+--------+-----+
|深圳  |null      |黄金会员12个月|180  |
|深圳  |null      |钻石会员3个月 |70   |
|深圳  |null      |黄金会员3个月 |45   |
|null|null      |铂金会员3个月 |240  |
|北京  |null      |铂金会员3个月 |60   |
|null|铂金会员      |null    |360  |
|上海  |null      |null    |155  |
|北京  |铂金会员      |null    |60   |
|null|钻石会员      |null    |520  |
|北京  |钻石会员      |null    |50   |
|上海  |钻石会员      |钻石会员1个月 |50   |
|深圳  |黄金会员      |黄金会员1个月 |30   |
|null|null      |钻石会员12个月|300  |
|深圳  |钻石会员      |钻石会员12个月|300  |
|null|黄金会员      |黄金会员12个月|180  |
|null|铂金会员      |铂金会员6个月 |120  |
|null|黄金会员      |黄金会员3个月 |135  |
|深圳  |null      |钻石会员1个月 |50   |
|深圳  |null      |黄金会员1个月 |30   |
|北京  |黄金会员      |黄金会员3个月 |45   |
|null|null      |黄金会员12个月|180  |
|上海  |null      |铂金会员3个月 |60   |
|null|null      |钻石会员3个月 |70   |
|深圳  |钻石会员      |钻石会员3个月 |70   |
|null|null      |黄金会员3个月 |135  |
|北京  |铂金会员      |铂金会员3个月 |60   |
|北京  |null      |黄金会员3个月 |45   |
|上海  |铂金会员      |null    |60   |
|上海  |钻石会员      |null    |50   |
|深圳  |黄金会员      |null    |255  |
|null|黄金会员      |黄金会员1个月 |30   |
|深圳  |null      |null    |915  |
|null|钻石会员      |钻石会员12个月|300  |
|上海  |黄金会员      |黄金会员3个月 |45   |
|深圳  |铂金会员      |铂金会员3个月 |120  |
|null|null      |钻石会员1个月 |150  |
|深圳  |钻石会员      |钻石会员1个月 |50   |
|null|null      |黄金会员1个月 |30   |
|北京  |null      |钻石会员1个月 |50   |
|上海  |铂金会员      |铂金会员3个月 |60   |
|上海  |null      |黄金会员3个月 |45   |
|null|钻石会员      |钻石会员3个月 |70   |
|深圳  |null      |铂金会员6个月 |120  |
|null|黄金会员      |null    |345  |
|北京  |黄金会员      |null    |45   |
|深圳  |null      |铂金会员3个月 |120  |
|深圳  |铂金会员      |null    |240  |
|null|null      |null    |1225 |
|深圳  |钻石会员      |null    |420  |
|北京  |null      |null    |155  |
|null|铂金会员      |铂金会员3个月 |240  |
|上海  |null      |钻石会员1个月 |50   |
|null|钻石会员      |钻石会员1个月 |150  |
|深圳  |null      |钻石会员12个月|300  |
|北京  |钻石会员      |钻石会员1个月 |50   |
|深圳  |黄金会员      |黄金会员12个月|180  |
|深圳  |铂金会员      |铂金会员6个月 |120  |
|深圳  |黄金会员      |黄金会员3个月 |45   |
|null|null      |铂金会员6个月 |120  |
|上海  |黄金会员      |null    |45   |
+----+----------+--------+-----+

5.应用

经过group by、grouping sets、rollup和cube处理过后的数据可以直接存储到MySQL等数据库中。文章开头中提到的需求，可以根据运营提出的筛选维度进行cube分析，就可以得到各种维度组合下的订单统计结果。比如要获取总的定单数。可以如下处理:

    val cubeDF = sqlContext.sql("select area,memberType,product,sum(price) as total from orderTempTable group by area,memberType,product with cube")
cubeDF .registerTempTable("resultTempTable")
//下面SQL执行的结果就是所有订单的总数
 sqlContext.sql("select * from resultTempTable where area=null and memberType=null and product =null")

最后编辑于：2020.10.13 15:47:38

人面猴
序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 200,961评论 5赞 473
死咒
序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 84,444评论 2赞 377
救了他两次的神仙让他今天三更去死
文/潘晓璐我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 148,009评论 0赞 333
道士缉凶录：失踪的卖姜人
文/不坏的土叔我叫张陵，是天一观的道长。经常有香客问我，道长，这世上最难降的妖魔是什么？我笑而不...
开封第一讲书人阅读 54,082评论 1赞 272
港岛之恋（遗憾婚礼）
正文为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 63,101评论 5赞 363
恶毒庶女顶嫁案：这布局不是一般人想出来的
文/花漫我一把揭开白布。她就那样静静地躺着，像睡着了一般。火红的嫁衣衬着肌肤如雪。梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 48,271评论 1赞 278
城市分裂传说
那天，我揣着相机与录音，去河边找鬼。笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。我是一名探鬼主播，决...
沈念sama阅读 37,738评论 3赞 393
双鸳鸯连环套：你想象不到人心有多黑
文/苍兰香墨我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 36,395评论 0赞 255
万荣杀人案实录
序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 40,539评论 1赞 294
护林员之死
正文独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋以下内容为张勋视角年9月15日...
茶点故事阅读 35,434评论 2赞 317
白月光启示录
正文我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 37,481评论 1赞 329
活死人
序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 33,160评论 3赞 317
日本核电站爆炸内幕
正文年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 38,749评论 3赞 303
男人毒药：我在死后第九天来索命
文/蒙蒙一、第九天我趴在偏房一处隐蔽的房顶上张望。院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 29,816评论 0赞 19
一桩弑父案，背后竟有这般阴谋
文/苍兰香墨我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。一阵脚步声响...
开封第一讲书人阅读 31,038评论 1赞 256
情欲美人皮
我被黑心中介骗来泰国打工，没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。一个月前我还...
沈念sama阅读 42,548评论 2赞 346
代替公主和亲
正文我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 42,140评论 2赞 341