实验 5 Spark SQL 编程初级实践 参考厦门大学林子雨
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" }
2.
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")
3.
(1) 查询 DataFrame 的所有数据
(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 age>30 的记录
(5) 将数据按 name 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) ,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。
: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;
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() } } " v:shapes="_x0000_s1027">
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 |
mysql -u root -p
(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 |
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:
在目录/usr/local/spark/mycode/testmysql 下执行下面命令打包程序
/usr/local/sbt/sbt package
最后在目录/usr/local/spark/mycode/testmysql 下执行下面命令提交程序
/usr/local/spark/bin/spark-submit --class " TestMySQL " /usr/local/spark/mycode/testmysql/target/scala-2.11/simple-project_2.11-1.0.jar