学习进度笔记6

今天完成spark实验5：Spark SQL编程初级实践。

1、Spark SQL基本操作

将下列 JSON 格式数据复制到 Linux 系统中，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":4 , "name":"Jim","age":28 }

{ "id":5 , "name":"Damon" }

{ "id":5 , "name":"Damon" }

为 employee.json 创建 DataFrame，并写出 Scala 语句完成下列操作：

 创建DataFrame

(1) 查询所有数据；

(2) 查询所有数据，并去除重复的数据；

(3) 查询所有数据，打印时去除 id 字段；

(4) 筛选出 age>30 的记录；

(5) 将数据按 age 分组；

(6) 将数据按 name 升序排列；

(7) 取出前 3 行数据；

(8) 查询所有记录的 name 列，并为其取别名为 username；

(9) 查询年龄 age 的平均值；

(10) 查询年龄 age 的最小值。

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

请将数据复制保存到 Linux 系统中，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。

假设当前目录为/usr/local/spark/mycode/rddtodf，在当前目录下新建一个目录 mkdir -p src/main/scala ，然后在目录 /usr/local/spark/mycode/rddtodf/src/main/scala 下 新 建 一 个 rddtodf.scala，复制下面代码；（下列两种方式任选其一）

方法一：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(at
tributes => 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()
 }
}

方法二：使用编程接口，构造一个 schema 并将其应用在已知的 RDD 上。

import org.apache.spark.sql.types._
import org.apache.spark.sql.Encoder
import org.apache.spark.sql.Row
object RDDtoDF {
 def main(args: Array[String]) {
   val employeeRDD =
   spark.sparkContext.textFile("file:///usr/local/spark/employee.txt")
   val schemaString = "id name age"
   val fields = schemaString.split(" ").map(fieldName => StructField(fieldName,
StringType, nullable = true))
   val schema = StructType(fields)
   val rowRDD = employeeRDD.map(_.split(",")).map(attributes =>
Row(attributes(0).trim, attributes(1), attributes(2).trim))
   val employeeDF = spark.createDataFrame(rowRDD, schema)
   employeeDF.createOrReplaceTempView("employee")
   val results = spark.sql("SELECT id,name,age FROM employee")
   results.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 simple.sbt，复制下面代码：

name := "Simple Project"

version := "1.0"

scalaVersion := "2.11.8"

libraryDependencies += "org.apache.spark" % "spark-core" % "2.1.0"

在目录/usr/local/spark/mycode/rddtodf 下执行下面命令打包程序

 最后在目录/usr/local/spark/mycode/rddtodf 下执行下面命令提交程序

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，再创建表 employee，包含如表 6-2 所示的两行数据。

表 6-2 employee 表原有数据

id name gender Age

1  Alice    F         22

2  John    M        25

（2）配置 Spark 通过 JDBC 连接数据库 MySQL，编程实现利用 DataFrame 插入如表 6-3 所示的两行数据到 MySQL 中，最后打印出 age 的最大值和 age 的总和。

表 6-3 employee 表新增数据

id name gender age

3  Mary     F       26

4  Tom      M      23 

假设当前目录为/usr/local/spark/mycode/testmysql，在当前目录下新建一个目录 mkdir -p src/main/scala ， 然 后 在 目 录 /usr/local/spark/mycode/testmysql/src/main/scala 下 新 建 一 个 testmysql.scala，复制下面代码；

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 simple.sbt，复制下面代码：

name := "Simple Project"

version := "1.0"

scalaVersion := "2.11.8"

libraryDependencies += "org.apache.spark" % "spark-core" % "2.1.0"

在目录/usr/local/spark/mycode/testmysql 下执行下面命令打包程序

 最后在目录/usr/local/spark/mycode/testmysql 下执行下面命令提交程序

在终端即可看到输出结果。

遇到的问题

解决方法

添加如下代码：

val spark = org.apache.spark.sql.SparkSession.builder
.master("local")
.appName("Spark CSV Reader")
.getOrCreate;

import spark.implicits._