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":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：

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。

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

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> 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。

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

/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 

在终端即可看到输出结果。