2020.02.12

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。

为 employee.json 创建 DataFrame，

?

1 2 3 4

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")

并写出 Scala 语句完成下列操作：

(1)  查询所有数据；

?

1	scala> df.show()

(2) 查询所有数据，并去除重复的数据；

?

1	scala> df.distinct().show()

(3) 查询所有数据，打印时去除 id 字段；

?

1	scala> df.drop("id").show()

(4) 筛选出 age>30 的记录；

?

1	scala> df.filter(df("age") > 30 ).show()

(5) 将数据按 age 分组；

?

1	scala> df.groupBy("name").count().show()

(6) 将数据按 name 升序排列；

?

1	scala> df.sort(df("name").asc).show()

(7) 取出前 3 行数据；

?

1	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；

?

1	scala> df.select(df("name").as("username")).show()

(9) 查询年龄 age 的平均值；

?

1	scala> df.agg("age"->"avg")

(10) 查询年龄 age 的最小值。

?

1	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）：

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。

?

1 2 3 4 5 6 7 8 9 10 11 12

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()         } }

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。

?

1 2 3 4 5

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。

 testmysql.scala

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

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")         } }