414 lines
11 KiB
Markdown
414 lines
11 KiB
Markdown
# Spark SQL 语法要点
|
||
|
||
## 数据类型
|
||
|
||
| 类型 | 说明 | 示例 |
|
||
|------|------|------|
|
||
| STRING | 字符串 | name STRING |
|
||
| INT | 整数 | age INT |
|
||
| BIGINT | 大整数 | id BIGINT |
|
||
| DOUBLE | 浮点数 | price DOUBLE |
|
||
| DECIMAL(p,s) | 定点数 | amount DECIMAL(18,2) |
|
||
| BOOLEAN | 布尔 | active BOOLEAN |
|
||
| DATE | 日期 | birth_date DATE |
|
||
| TIMESTAMP | 时间戳 | created_at TIMESTAMP |
|
||
| ARRAY<type> | 数组 | tags ARRAY<STRING> |
|
||
| MAP<key,value> | 映射 | props MAP<STRING,STRING> |
|
||
| STRUCT<field:type,...> | 结构体 | user STRUCT<id:INT,name:STRING> |
|
||
|
||
---
|
||
|
||
## 时间函数
|
||
|
||
```sql
|
||
-- 当前时间
|
||
current_date()
|
||
current_timestamp()
|
||
now()
|
||
|
||
-- 格式转换
|
||
date_format(date_col, 'yyyy-MM-dd')
|
||
date_format(timestamp_col, 'yyyy-MM-dd HH:mm:ss')
|
||
to_date(string_col, 'yyyy-MM-dd')
|
||
to_timestamp(string_col, 'yyyy-MM-dd HH:mm:ss')
|
||
|
||
-- 日期计算
|
||
date_add(date_col, 7) -- 加7天
|
||
date_sub(date_col, 7) -- 减7天
|
||
add_months(date_col, 3) -- 加3个月
|
||
datediff(end_date, start_date) -- 日期差（天数）
|
||
|
||
-- 日期提取
|
||
year(date_col)
|
||
month(date_col)
|
||
day(date_col)
|
||
dayofweek(date_col)
|
||
hour(timestamp_col)
|
||
minute(timestamp_col)
|
||
second(timestamp_col)
|
||
|
||
-- 季度、周
|
||
quarter(date_col) -- 季度 (1-4)
|
||
weekofyear(date_col) -- 年中第几周
|
||
|
||
-- Unix 时间戳
|
||
unix_timestamp(date_col) -- 转 Unix 时间戳
|
||
from_unixtime(timestamp) -- Unix 时间戳转时间字符串
|
||
```
|
||
|
||
---
|
||
|
||
## 字符串函数
|
||
|
||
```sql
|
||
-- 常用函数
|
||
concat(str1, str2, ...) -- 字符串拼接
|
||
concat_ws('-', str1, str2, ...) -- 用分隔符拼接
|
||
lower(str) -- 转小写
|
||
upper(str) -- 转大写
|
||
trim(str) -- 去两端空格
|
||
ltrim(str) -- 去左空格
|
||
rtrim(str) -- 去右空格
|
||
length(str) -- 字符串长度
|
||
substring(str, pos, len) -- 截取字符串
|
||
left(str, len) -- 取左边len个字符
|
||
right(str, len) -- 取右边len个字符
|
||
reverse(str) -- 反转字符串
|
||
repeat(str, n) -- 重复n次
|
||
space(n) -- 生成n个空格
|
||
|
||
-- 查找与替换
|
||
instr(str, substr) -- 查找子串位置
|
||
locate(substr, str, pos) -- 从pos位置查找
|
||
replace(str, old, new) -- 替换
|
||
regexp_extract(str, pattern, idx) -- 正则提取
|
||
regexp_replace(str, pattern, replacement) -- 正则替换
|
||
|
||
-- 分割
|
||
split(str, delimiter) -- 分割成数组
|
||
split_part(str, delimiter, idx) -- 取分割后的第idx部分
|
||
|
||
-- 其他
|
||
initcap(str) -- 首字母大写
|
||
lpad(str, len, pad) -- 左填充
|
||
rpad(str, len, pad) -- 右填充
|
||
levenshtein(str1, str2) -- 编辑距离
|
||
```
|
||
|
||
---
|
||
|
||
## 条件表达式
|
||
|
||
```sql
|
||
-- CASE WHEN
|
||
CASE
|
||
WHEN condition1 THEN result1
|
||
WHEN condition2 THEN result2
|
||
ELSE default_result
|
||
END
|
||
|
||
-- CASE 字段匹配
|
||
CASE field
|
||
WHEN value1 THEN result1
|
||
WHEN value2 THEN result2
|
||
ELSE default_result
|
||
END
|
||
|
||
-- COALESCE（取第一个非空值）
|
||
COALESCE(col1, col2, default_value)
|
||
|
||
-- NULLIF（相等返回NULL）
|
||
NULLIF(col1, col2)
|
||
|
||
-- IF（简单条件）
|
||
IF(condition, true_value, false_value)
|
||
|
||
-- NVL（空值替换）
|
||
NVL(col, default_value)
|
||
```
|
||
|
||
---
|
||
|
||
## 聚合函数
|
||
|
||
```sql
|
||
-- 基础聚合
|
||
COUNT(*) -- 计数（含NULL行）
|
||
COUNT(col) -- 计数（不含NULL）
|
||
COUNT(DISTINCT col) -- 去重计数
|
||
SUM(col) -- 求和
|
||
AVG(col) -- 平均值
|
||
MIN(col) -- 最小值
|
||
MAX(col) -- 最大值
|
||
|
||
-- 集合聚合
|
||
collect_list(col) -- 返回数组（不去重）
|
||
collect_set(col) -- 返回数组（去重）
|
||
|
||
-- 统计函数
|
||
variance(col) -- 方差
|
||
var_pop(col) -- 总体方差
|
||
var_samp(col) -- 样本方差
|
||
stddev(col) -- 标准差
|
||
stddev_pop(col) -- 总体标准差
|
||
stddev_samp(col) -- 样本标准差
|
||
|
||
-- 近似函数
|
||
approx_count_distinct(col) -- 近似去重计数（大数据量优化）
|
||
|
||
-- 其他
|
||
first(col) -- 第一个值
|
||
last(col) -- 最后一个值
|
||
```
|
||
|
||
---
|
||
|
||
## 数学函数
|
||
|
||
```sql
|
||
-- 基础运算
|
||
abs(col) -- 绝对值
|
||
round(col, digits) -- 四舍五入
|
||
ceil(col) -- 向上取整
|
||
floor(col) -- 向下取整
|
||
sign(col) -- 符号 (-1, 0, 1)
|
||
|
||
-- 指数与对数
|
||
exp(col) -- e的指数
|
||
log(col) -- 自然对数
|
||
log10(col) -- 10为底对数
|
||
log2(col) -- 2为底对数
|
||
pow(col, n) -- 幂运算
|
||
sqrt(col) -- 平方根
|
||
|
||
-- 三角函数
|
||
sin(col), cos(col), tan(col)
|
||
asin(col), acos(col), atan(col)
|
||
|
||
-- 随机数
|
||
rand() -- 随机数 (0-1)
|
||
rand(seed) -- 指定种子随机数
|
||
|
||
-- 其他
|
||
cbrt(col) -- 立方根
|
||
hex(col) -- 转16进制
|
||
unhex(col) -- 16进制转字符串
|
||
```
|
||
|
||
---
|
||
|
||
## 数组函数
|
||
|
||
```sql
|
||
-- 创建数组
|
||
array(val1, val2, ...) -- 创建数组
|
||
|
||
-- 访问
|
||
array_contains(arr, val) -- 判断是否包含
|
||
element_at(arr, idx) -- 取元素（idx从1开始）
|
||
arr[idx] -- 取元素（idx从0开始）
|
||
|
||
-- 操作
|
||
size(arr) -- 数组长度
|
||
array_join(arr, delimiter) -- 数组转字符串
|
||
concat(arr1, arr2) -- 数组拼接
|
||
|
||
-- 展开
|
||
explode(arr) -- 展开数组为多行
|
||
posexplode(arr) -- 展开数组（带位置索引）
|
||
|
||
-- 排序与去重
|
||
sort_array(arr) -- 排序
|
||
array_distinct(arr) -- 去重
|
||
array_remove(arr, val) -- 移除元素
|
||
array_union(arr1, arr2) -- 并集
|
||
array_intersect(arr1, arr2) -- 交集
|
||
array_except(arr1, arr2) -- 差集
|
||
```
|
||
|
||
---
|
||
|
||
## Map 函数
|
||
|
||
```sql
|
||
-- 创建 Map
|
||
map(key1, val1, key2, val2, ...) -- 创建 Map
|
||
str_to_map(str, delim1, delim2) -- 字符串转 Map
|
||
|
||
-- 访问
|
||
map_contains(map, key) -- 判断是否包含key
|
||
element_at(map, key) -- 取值
|
||
map[key] -- 取值
|
||
map_keys(map) -- 取所有key（返回数组）
|
||
map_values(map) -- 取所有value（返回数组）
|
||
|
||
-- 操作
|
||
size(map) -- Map大小
|
||
map_concat(map1, map2) -- Map合并
|
||
```
|
||
|
||
---
|
||
|
||
## JSON 函数
|
||
|
||
```sql
|
||
-- 解析
|
||
get_json_object(json_str, path) -- 提取JSON字段
|
||
json_tuple(json_str, field1, ...) -- 提取多个字段
|
||
|
||
-- 转换
|
||
from_json(json_str, schema) -- JSON转结构体
|
||
to_json(struct_col) -- 结构体转JSON
|
||
|
||
-- Schema 定义示例
|
||
from_json('{"name":"张三","age":25}', 'name STRING, age INT')
|
||
```
|
||
|
||
---
|
||
|
||
## 分区表操作
|
||
|
||
```sql
|
||
-- 创建分区表
|
||
CREATE TABLE target_table (
|
||
id BIGINT,
|
||
name STRING,
|
||
amount DECIMAL(18,2)
|
||
)
|
||
PARTITIONED BY (day_id STRING)
|
||
STORED AS PARQUET;
|
||
|
||
-- 写入指定分区
|
||
INSERT OVERWRITE TABLE target_table
|
||
PARTITION (day_id = '${day_id}')
|
||
SELECT id, name, amount
|
||
FROM source_table
|
||
WHERE ...
|
||
|
||
-- 动态分区写入
|
||
INSERT OVERWRITE TABLE target_table
|
||
PARTITION (day_id)
|
||
SELECT id, name, amount, day_id
|
||
FROM source_table;
|
||
|
||
-- 查看分区
|
||
SHOW PARTITIONS target_table;
|
||
```
|
||
|
||
---
|
||
|
||
## 临时表与视图
|
||
|
||
```sql
|
||
-- 创建临时表
|
||
CREATE TEMPORARY TABLE tmp_table AS
|
||
SELECT ...
|
||
|
||
-- 创建临时视图
|
||
CREATE TEMPORARY VIEW tmp_view AS
|
||
SELECT ...
|
||
|
||
-- 全局临时视图（跨Session）
|
||
CREATE GLOBAL TEMPORARY VIEW global_view AS
|
||
SELECT ...
|
||
|
||
-- 删除
|
||
DROP TABLE IF EXISTS tmp_table;
|
||
DROP VIEW IF EXISTS tmp_view;
|
||
```
|
||
|
||
---
|
||
|
||
## MERGE INTO（更新插入）
|
||
|
||
```sql
|
||
-- MERGE INTO 语法
|
||
MERGE INTO target_table t
|
||
USING source_table s
|
||
ON t.id = s.id
|
||
WHEN MATCHED THEN UPDATE SET t.name = s.name, t.amount = s.amount
|
||
WHEN NOT MATCHED THEN INSERT (id, name, amount) VALUES (s.id, s.name, s.amount)
|
||
|
||
-- 仅更新
|
||
MERGE INTO target_table t
|
||
USING source_table s
|
||
ON t.id = s.id
|
||
WHEN MATCHED THEN UPDATE SET *
|
||
|
||
-- 仅插入
|
||
MERGE INTO target_table t
|
||
USING source_table s
|
||
ON t.id = s.id
|
||
WHEN NOT MATCHED THEN INSERT *
|
||
```
|
||
|
||
---
|
||
|
||
## Spark SQL 不支持的特性
|
||
|
||
| PostgreSQL 特性 | Spark SQL | 替代方案 |
|
||
|------------------|-----------|----------|
|
||
| CREATE INDEX | ❌ 不支持 | 依赖存储格式优化（Parquet/ORC） |
|
||
| CREATE TRIGGER | ❌ 不支持 | 使用程序逻辑处理 |
|
||
| FOREIGN KEY 约束 | ❌ 不强制 | 数据关联靠 JOIN 保证 |
|
||
| CHECK 约束 | ❌ 不支持 | 使用过滤条件 |
|
||
| ON CONFLICT (UPSERT) | 使用 MERGE INTO | - |
|
||
| WITH RECURSIVE | Spark 3.x+ 支持 | 或用程序迭代 |
|
||
| 物化视图 | ❌ 不支持 | 使用缓存或临时表 |
|
||
| 存储过程 | ❌ 不支持 | 使用外部程序 |
|
||
| FOR UPDATE 锁 | ❌ 不支持 | 无行级锁概念 |
|
||
|
||
---
|
||
|
||
## SQL 生成规则
|
||
|
||
### 通用规则（所有引擎统一）
|
||
|
||
1. **禁止使用 CTE (WITH 子句)**，每个主要逻辑步骤必须物化为临时表
|
||
2. **先 DROP 再 CREATE**：`DROP TABLE IF EXISTS ...; CREATE TABLE ... AS SELECT ...;`
|
||
3. **禁止 `SELECT *`**，必须明确列出所有字段
|
||
4. 多表查询时所有表必须使用简短别名
|
||
5. 每个步骤前添加注释说明
|
||
6. **谓词下推**：过滤条件前置，JOIN 时在 WHERE 中一并添加过滤
|
||
7. 临时表命名：`${db_tmp_env}.tmp_{业务简称}_{步骤序号}`
|
||
8. 目标表命名：`${db_eda_env}.{目标表名}`
|
||
|
||
### Spark 特有规则
|
||
|
||
1. 使用 `INSERT OVERWRITE TABLE` 写入目标表
|
||
2. 分区表必须指定分区：`PARTITION (day_id = '${day_id}')`
|
||
3. 最后一步写入目标表，中间步骤物化临时表
|
||
4. 日期函数：`date_format()`, `to_date()`, `date_add()`, `add_months()`
|
||
5. 时间范围筛选：
|
||
```sql
|
||
-- 日账期过滤
|
||
WHERE day_id = '${day_id}'
|
||
-- 最近N个月（月份格式 yyyyMM）
|
||
WHERE month_id >= date_format(add_months(to_date('${month_id}', 'yyyyMM'), -N), 'yyyyMM')
|
||
AND month_id < '${month_id}'
|
||
```
|
||
|
||
### SQL 脚本结构
|
||
|
||
```sql
|
||
-- =====================================================================
|
||
-- @SqlName: spark-D-SQL-{表名}
|
||
-- @Engine: spark
|
||
-- ...（头注释）
|
||
-- =====================================================================
|
||
|
||
-- Step01: {步骤描述}
|
||
DROP TABLE IF EXISTS ${db_tmp_env}.tmp_xxx_01;
|
||
CREATE TABLE ${db_tmp_env}.tmp_xxx_01 AS
|
||
SELECT ...;
|
||
|
||
-- Step02: {步骤描述}
|
||
DROP TABLE IF EXISTS ${db_tmp_env}.tmp_xxx_02;
|
||
CREATE TABLE ${db_tmp_env}.tmp_xxx_02 AS
|
||
SELECT ...;
|
||
|
||
-- 最后一步：写入目标表
|
||
INSERT OVERWRITE TABLE ${db_eda_env}.target_table
|
||
PARTITION (day_id = '${day_id}')
|
||
SELECT ...;
|
||
``` |