SPark SQL编程初级实践

阅读量：4988 次

发布时间：2019-06-12

本文共 5849 字，大约阅读时间需要 19 分钟。

今下午在课上没有将实验做完，课下进行了补充，最终完成。下面附上厦门大学数据库实验室中spark实验官网提供的标准答案，以供参考。

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" }

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

答案：

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/test/employee.json")

(1) 查询 DataFrame 的所有数据答案：scala> df.show()

(2) 查询所有数据，并去除重复的数据

答案：scala> df.distinct().show()

(3) 查询所有数据，打印时去除 id 字段

答案：scala> df.drop("id").show() (4) 筛选age>20的记录答案：scala> df.filter(df("age") > 30 ).show()

(5) 将数据按 name 分组

答案：scala> df.groupBy("name").count().show()

(6) 将数据按 name 升序排列

答案：scala> df.sort(df("name").asc).show()

(7) 取出前 3 行数据

答案：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

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

(9) 查询年龄 age 的平均值

答案：scala> df.agg("age"->"avg") (10) 查询年龄 age 的最小值

答案：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），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）

1,Ella,36

2,Bob,29

3,Jack,29

答案：

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

/usr/local/sbt/sbt package

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

/usr/local/spark/bin/spark-submit --class "RDDtoDF

/usr/local/spark/mycode/rddtodf/target/scala-2.11/simple-project_2.11-1.0.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

答案：

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

答案：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
/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	"