寒假学习记录17

寒假学习记录17

实验 5  Spark SQL 编程初级实践

一、实验目的

（1）通过实验掌握 Spark SQL 的基本编程方法；

（2）熟悉 RDD 到 DataFrame 的转化方法；

（3）熟悉利用 Spark SQL 管理来自不同数据源的数据。

二、实验平台

操作系统： Ubuntu16.04 Spark 版本：2.1.0 数据库：MySQL

三、实验内容和要求

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，

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；

scala> df.show() 

(2) 查询所有数据，并去除重复的数据；

scala> df.distinct().show() 

(3) 查询所有数据，打印时去除 id 字段；

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

(4) 筛选出 age>30 的记录；

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

(5) 将数据按 age 分组；

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

(6) 将数据按 name 升序排列；

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

(7) 取出前 3 行数据；

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；

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

(9) 查询年龄 age 的平均值；

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

(10) 查询年龄 age 的最小值。

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。

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。

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

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")     
    } 
}