Spark SQL 编程初级实践
2019-03-26 22:34 默默不语 阅读(1006) 评论(0) 编辑 收藏 举报一、实验目的
(1) 通过实验掌握 Spark SQL 的基本编程方法;
(2) 熟悉 RDD 到 DataFrame 的转化方法;
(3) 熟悉利用 Spark SQL 管理来自不同数据源的数据。
二、实验平台
操作系统: Ubuntu16.04 Spark 版本:2.1.0 数据库:MySQL
三、实验内容和要求
1.Spark SQL 基本操作
将下列 json 数据复制到你的 ubuntu 系统/usr/local/spark 下,并保存命名为 employee.json。 { "id":1 ,"name":" Ella","age":36 } { "id":2,"name":"Bob","age":29 }
{ "id":3 ,"name":"Jack","age":29 }
{ "id":4 ,"name":"Jim","age":28 }
{ "id":5 ,"name":"Damon" }
{ "id":5 ,"name":"Damon" }
首先为 employee.json 创建 DataFrame,并写出 Scala 语句完成下列操作:创建 DataFrame
scala> import org.apache.spark.sql.SparkSession
scala> val spark=SparkSession.builder().getOrCreate()
scala> import spark.implicits._
scala> val df = spark.read.json("file:///usr/local/spark/employee.json")
(1) 查询 DataFrame 的所有数据
scala> df.show()
(2) 查询所有数据,并去除重复的数据
scala> df.distinct().show()
(3) 查询所有数据,打印时去除 id 字段
scala> df.drop("id").show()
(4) 筛选age>20的记录
scala> df.filter(df("age") > 30 ).show()
(5) 将数据按 name 分组
scala> df.groupBy("name").count().show()
(6) 将数据按 name 升序排列
scala> df.sort(df("name").asc).show()
(7) 取出前 3 行数据
scala> df.take(3) 或scala> df.head(3)
(8) 查询所有记录的 name 列,并为其取别名为 username
scala> df.select(df("name").as("username")).show()
(9) 查询年龄 age 的平均值
scala> df.agg("age"->"avg")
(10) 查询年龄 age 的最小值
scala> df.agg("age"->"min")
2.编程实现将 RDD 转换为 DataFrame
源文件内容如下(包含 id,name,age),
1,Ella,36
2,Bob,29
3,Jack,29
将数据复制保存到 ubuntu 系统/usr/local/spark 下,命名为 employee.txt,实现从 RDD 转换得到 DataFrame,并按 id:1,name:Ella,age:36 的格式
打印出 DataFrame 的所有数据。请写出程序代码。(任选一种方法即可)
在目录为/usr/local/spark/mycode/rddtodf下:
新建一个目录:mkdir -p src/main/scala ,
然后在目录 /usr/local/spark/mycode/rddtodf/src/main/scala 下:
新建一个文件:vim rddtodf.scala。复制下面代码;(下列两种方式任选其一)
利用反射来推断包含特定类型对象的RDD的schema,适用对已知数据结构的RDD 转换;
import org.apache.spark.sql.catalyst.encoders.ExpressionEncoder import org.apache.spark.sql.Encoder import spark.implicits._ object RDDtoDF { def main(args: Array[String]) { case class Employee(id:Long,name: String, age: Long) val employeeDF = spark.sparkContext.textFile("file:///usr/local/spark/employee.txt").map(_.split(",")).map(attributes=>Employee(attributes(0).trim.toInt,attributes(1), attributes(2).trim.toInt)).toDF() employeeDF.createOrReplaceTempView("employee") val employeeRDD = spark.sql("select id,name,age from employee") employeeRDD.map(t=>"id:"+t(0)+","+"name:"+t(1)+","+"age:"+t(2)).show() } }
在目录/usr/local/spark/mycode/rddtodf 目录下新建文件:vim simple.sbt,将下列代码写入到该文件中:
name := "Simple Project" version := "1.0" scalaVersion := "2.12.7"(此处为你的Scala版本号) libraryDependencies += "org.apache.spark" % "spark-core" % "2.4.0"(此处为你的spark版本号)
在目录/usr/local/spark/mycode/rddtodf 下打包程序:
/usr/local/sbt/sbt package
最后在目录/usr/local/spark/mycode/rddtodf 下提交程序
/usr/local/spark/bin/spark-submit --class "RDDtoDF”
/usr/local/spark/mycode/rddtodf/target/scala-2.12/simple-project_2.12-1.0.jar
在终端即可看到输出结果。
3. 编程实现利用 DataFrame 读写 MySQL 的数据
(1) 在 MySQL 数据库中新建数据库 sparktest,再建表 employee,包含下列两行数据;表 1 employee 表原有数据
id |
name |
gender |
|
age |
1 |
Alice |
F |
|
22 |
2 |
John |
M |
|
25 |
mysql> create database sparktest; mysql> use sparktest; mysql> create table employee (id int(4), name char(20), gender char(4), age int(4)); mysql> insert into employee values(1,'Alice','F',22); mysql> insert into employee values(2,'John','M',25);
(2) 配置 Spark通过 JDBC 连接数据库MySQL,编程实现利用 DataFrame 插入下列数据到 MySQL,最后打印出 age 的最大值和 age 的总和。表 2 employee 表新增数据
id
|
name |
gender |
age |
3
|
Mary |
F |
26 |
4
|
Tom |
M |
23 |
在目录/usr/local/spark/mycode/testmysql下新建目录: mkdir -p src/main/scala ,
然后在目录 /usr/local/spark/mycode/testmysql/src/main/scala 下新建文件:vim testmysql.scala,将下列代码复制到该文件中import java.util.Properties
import org.apache.spark.sql.types._ import org.apache.spark.sql.Row object TestMySQL { def main(args: Array[String]) { val employeeRDD = spark.sparkContext.parallelize(Array("3 Mary F 26","4 Tom M 23")).map(_.split(" ")) val schema = StructType(List(StructField("id", IntegerType, true),StructField("name", StringType, true),StructField("gender", StringType, true),StructField("age", IntegerType, true))) val rowRDD = employeeRDD.map(p => Row(p(0).toInt,p(1).trim, p(2).trim,p(3).toInt)) val employeeDF = spark.createDataFrame(rowRDD, schema)
val prop = new Properties()
prop.put("user", "root")
prop.put("password", "hadoop")
prop.put("driver","com.mysql.jdbc.Driver") employeeDF.write.mode("append").jdbc("jdbc:mysql://localhost:3306/sparktest", sparktest.employee", prop)
val jdbcDF = spark.read.format("jdbc").option("url", "jdbc:mysql://localhost:3306/sparktest").option("driver","com.mysql.jdbc.Driver").optio n("dbtable","employee").option("user","root").option("password", "hadoop").load()
jdbcDF.agg("age" -> "max", "age" -> "sum") } }
在目录/usr/local/spark/mycode/testmysql 目录下新建文件:vim simple.sbt,复制下面代码:
name := "Simple Project" version := "1.0" scalaVersion := "2.12.7" (此处为你的Scala版本) libraryDependencies += "org.apache.spark" %% "spark-core" % "2.4.0"(此处为你的spark版本)
在目录/usr/local/spark/mycode/testmysql下打包程序:
/usr/local/sbt/sbt package
最后在目录/usr/local/spark/mycode/testmysql 下提交程序
/usr/local/spark/bin/spark-submit --class "TestMySQL”
/usr/local/spark/mycode/rddtodf/target/scala-2.12/simple-project_2.12-1.0.jar
在终端即可看到输出结果。