Spark SQL RDD基本操作、RDD—DataFrame、API MySQL

青旅半醒 2023-01-13 04:02 188阅读 0赞

### Spark SQL编程初级实践 ###

*   *  一、Spark SQL基本操作
     *   *  1.1 创建 test.json
         *  1.2 test.json 上传 Hdfs
         *  1.3 进入shell交互式
     *  二、编程实现将 RDD转换为DataFrame
     *   *  2.1 创建文件 test.txt
         *  2.2 编写代码
     *  三、 编程实现利用DataFrame读写MySQL的数据
     *   *  3.1 MySQL创建与操作 sparktest
         *  3.2 Spark API 操作 MySQL

--------------------

Mysql+Hive：[1、Centos7 MySQL安装 —— 用网盘简单安装][1_Centos7 MySQL_ _]

[2、Hadoop集群搭建及配置⑨——Hive 可靠的安装配置][2_Hadoop_Hive]

[3、Spark SQ操作 MySQL数据库和 Hive数据仓库][3_Spark SQ_ MySQL_ Hive]

[4、Spark SQL RDD基本操作、RDD—DataFrame、API MySQL][4_Spark SQL RDD_RDD_DataFrame_API MySQL]

[5、Spark SQL RDD、DataFrame、Dataset、反射推断机制 Schema 操作！！][4_Spark SQL RDD_RDD_DataFrame_API MySQL]

--------------------

最近要写实训报告，顺便把内容分享下。  
在使用IDEA时要添加依赖包这里一口气把 hadoop、hbase、scala、spark的依赖添加下。

<properties>
            <scala.version>2.11.8</scala.version>
            <hadoop.version>2.7.3</hadoop.version>
            <spark.version>2.4.0</spark.version>
            <hbase.version>1.2.4</hbase.version>
        </properties>
    
        <dependencies>
            
            <dependency>
                <groupId>org.scala-lang</groupId>
                <artifactId>scala-library</artifactId>
                <version>${scala.version}</version>
            </dependency>
    
            
            <dependency>
                <groupId>org.apache.spark</groupId>
                <artifactId>spark-core_2.11</artifactId>
                <version>${spark.version}</version>
            </dependency>
    
            <dependency>
                <groupId>org.apache.spark</groupId>
                <artifactId>spark-streaming_2.11</artifactId>
                <version>2.4.0</version>
            </dependency>
    
            <dependency>
                <groupId>org.apache.spark</groupId>
                <artifactId>spark-sql_2.11</artifactId>
                <version>2.4.0</version>
            </dependency>
    
            <dependency>
                <groupId>org.apache.spark</groupId>
                <artifactId>spark-mllib_2.11</artifactId>
                <version>${spark.version}</version>
            </dependency>
    
            
            <dependency>
                <groupId>org.apache.hadoop</groupId>
                <artifactId>hadoop-client</artifactId>
                <version>${hadoop.version}</version>
            </dependency>
    
            
            <dependency>
                <groupId>org.apache.hbase</groupId>
                <artifactId>hbase-client</artifactId>
                <version>${hbase.version}</version>
            </dependency>
            <dependency>
                <groupId>org.apache.hbase</groupId>
                <artifactId>hbase-common</artifactId>
                <version>${hbase.version}</version>
            </dependency>
    
            <dependency>
                <groupId>mysql</groupId>
                <artifactId>mysql-connector-java</artifactId>
                <version>5.1.46</version>
            </dependency>
        </dependencies>
    </project>

--------------------

[8、Hadoop集群搭建及配置⑥ —— Hadoop组件安装及配置][8_Hadoop_ _ Hadoop]

[9、Hadoop集群搭建及配置⑦—— Spark&Scala安装配置][9_Hadoop_ Spark_Scala]

[10、Hadoop集群搭建及配置⑧——Hbase的安装配置][10_Hadoop_Hbase]

[11、eclipse配置连接Hadoop][11_eclipse_Hadoop]

[12、eclipse 实现 Hdfs java API][12_eclipse _ Hdfs java API]

[13、eclipse 实现 HBase java API][13_eclipse _ HBase java API]

[14、Hbase java API 实现增删改查][14_Hbase java API]

--------------------

*  **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。

## 一、Spark SQL基本操作 ##

### 1.1 创建 test.json ###

`vi test.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":4,"name":"Jim","age":28}
    {
       "id":5,"name":"Damon"}
    {
       "id":5,"name":"Damon"}

### 1.2 test.json 上传 Hdfs ###

将上面 json数据保存为test.json。并上传到hdfs的/spark/test.json。

# 1.2上传到hdfs的/spark/test.json
    hadoop fs -put test.json /spark/test.json

### 1.3 进入shell交互式 ###

# master 节点启动 spark
    /usr/spark/spark-2.4.0-bin-hadoop2.7/sbin/start-all.sh
    
    # slave 节点开启
    /usr/spark/spark-2.4.0-bin-hadoop2.7/sbin/start-master.sh
    
    # ~ 进入Scala 交互式，输入：~
    spark-shell --master local[2]

# 0.读取文件
    val df = spark.read.json("/spark/test.json")
    # 1.查询所有数据；
    df.show()
    # 2.查询所有数据，并去除重复的数据；
    df.distinct().show()
    # 3.查询所有数据，并去除重复的数据
    df.drop("id").show
    # 4.筛选出 age>30 的记录
    df.filter(df("age")>30).show()
    # 5.将数据按age分组
    df.groupBy("age").count().show()
    # 6.将数据按name升序排列
    df.sort(df("name").asc).show()
    # 7.取出前3行数据； 
    df.take(3)
    # 8.查询所有记录的name列，并为其取别名为username； 
    df.select(df("name").as("username")).show()
    # 9.查询年龄age的平均值；
    df.agg("age"->"avg").show()
    # 10.查询年龄age的最小值。
    df.agg("age"->"min").show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc3NTI1NQ_size_16_color_FFFFFF_t_70]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc3NTI1NQ_size_16_color_FFFFFF_t_70 1]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc3NTI1NQ_size_16_color_FFFFFF_t_70 2]

--------------------

## 二、编程实现将 RDD转换为DataFrame ##

### 2.1 创建文件 test.txt ###

创建本地文件 `test.txt`

1,Ella,36
    2,Bob,29
    3,Jack,29

### 2.2 编写代码 ###

import org.apache.spark.SparkContext
    import org.apache.spark.rdd.RDD
    import org.apache.spark.sql.types.{
        IntegerType, StringType, StructField, StructType}
    import org.apache.spark.sql.{
        DataFrame, Row, SparkSession}
    object testDF {
        
      def main(args: Array[String]): Unit = {
        
        // 1.创建 SparkSession
        val spark: SparkSession = SparkSession.builder().appName("testDF").master("local[2]").getOrCreate()
        // 2.获取 sparkContext对象
        val sc: SparkContext = spark.sparkContext
        // 设置日志打印级别
        sc.setLogLevel("WARN")
        // 3.加载数据
        val dataRDD: RDD[String] = sc.textFile("D:\\test.txt")
        // 4.切分每一行
        val dataArrayRDD: RDD[Array[String]] = dataRDD.map(_.split(","))
        // 5.加载数据到 Row对象中
        val personRDD: RDD[Row] = dataArrayRDD.map(x=>Row(x(0).toInt,x(1),x(2).toInt))
        // 6.创建 Schema
        val schema:StructType= StructType(Seq(
          StructField("id", IntegerType, false),
          StructField("name", StringType, false),
          StructField("age", IntegerType, false)
        ))
        // 7.利用 personRDD与Schema创建DataFrame
        val personDF: DataFrame = spark.createDataFrame(personRDD,schema)
        // 8.DSL操作显示DataFrame的数据结果
        personDF.show()
        // 9.将DataFrame注册成表
        personDF.createOrReplaceTempView("t_test")
        // 10.sql语句操作
        spark.sql("select * from t_test").show()
        // 11.关闭资源
        sc.stop()
        spark.stop()
      }
    }

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc3NTI1NQ_size_16_color_FFFFFF_t_70 3]

--------------------

## 三、 编程实现利用DataFrame读写MySQL的数据 ##

### 3.1 MySQL创建与操作 sparktest ###

在MySQL数据库中新建数据库sparktest，再创建表employee，包含如下所示的两行数据。

id 	name	gender 	Age 
    1 	Alice 	F 		22 
    2 	John 	M 		25

# 查看数据库
    show databases;
    # 1、创建数据仓库 sparktest
    create database sparktest;
    # 2.进入 sparktest数据库
    use sparktest;
    # 3.创建数据表 employee
    create table if not exists sparktest.employee(id int(4),name char(20),gender char(4),age int(4))
    # 4.插入数据
    insert into employee values(1,"Alice","F",22);
    insert into employee values(2,"John","M",25);
    # 5.显示数据表数据
    select * from employee;

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc3NTI1NQ_size_16_color_FFFFFF_t_70 4]

### 3.2 Spark API 操作 MySQL ###

配置Spark通过 JDBC连接数据库 MySQL，编程实现利用 DataFrame插入如下所示的两行数据到MySQL中，最后打印出age的最大值和age的总和。

id 	name 	gender 	age 
    3 	Mary 	F 		26 
    4 	Tom 	M 		23

编程代码：

import java.util.Properties
    import org.apache.spark.SparkContext
    import org.apache.spark.rdd.RDD
    import org.apache.spark.sql.{
        DataFrame, SQLContext, SparkSession}
    // 0. 创建 employee样例类
    case class employee(id:Int,name:String,gender:String,age:Int)
    object SparkToMysql {
        
      def main(args: Array[String]): Unit = {
        
        // 1、创建 SparkSession对象
        val spark:SparkSession = SparkSession.builder()
          .appName("SparkToMysql")
          .master("local[2]")
          .getOrCreate()
        //设置日志打印级别
        spark.sparkContext.setLogLevel("WARN")
        /*
        * spark.sparkContext.parallelize()方法创建一个RDD，RDD有 person两个数据；
        * 用","逗号 作为样例类字段匹配的依据，且转换为DataFrame对象；
        */
        // 2、创建插入数据
        val data = spark.sparkContext.parallelize(Array("3,Mary,F,26","4,Tom,M,23"))
        // 3、按列名切分
        val arrRDD:RDD[Array[String]] = data.map(_.split(","))
        // 4、RDD关联 employee类
        val employee:RDD[employee] = arrRDD.map(x=>employee(x(0).toInt,x(1),x(2),x(3).toInt))
    
        // 导入隐式转换
        import spark.implicits._
        // 5、将 RDD转换成 DataFrame
        val employeeDF: DataFrame = employeeRDD.toDF()
        // 6.创建 Properties对象，设置连接MySQL的用户名和密码
        val pro:Properties = new Properties()
        pro.setProperty("user","root")
        pro.setProperty("password","abc123456")
        pro.setProperty("driver","com.mysql.jdbc.Driver")
        // 7、写入数据
        /*
        * employeeDF.write.mode() 方法表示设置写入数据方式，
        * append表示追加数据，overwrite表示覆盖数据；
        * errorIfExists表示表存在就报错，ignore 表示忽略新保存的数据.
        * */
        employeeDF.write.mode("append").jdbc("jdbc:mysql://master:3306/sparktest", "sparktest.employee", pro)
        employeeDF.agg("age" -> "max", "age" -> "sum").show()
        employeeDF.show()
        spark.stop()
      }
    }

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc3NTI1NQ_size_16_color_FFFFFF_t_70 5]  
【注】：以上代码与下面一篇博客 有许多相似之处。  
[Spark SQ操作 MySQL数据库和 Hive数据仓库][3_Spark SQ_ MySQL_ Hive]

[1_Centos7 MySQL_ _]: https://blog.csdn.net/weixin_44775255/article/details/115662187
[2_Hadoop_Hive]: https://blog.csdn.net/weixin_44775255/article/details/115663334
[3_Spark SQ_ MySQL_ Hive]: https://blog.csdn.net/weixin_44775255/article/details/115707963
[4_Spark SQL RDD_RDD_DataFrame_API MySQL]: https://blog.csdn.net/weixin_44775255/article/details/115727069
[8_Hadoop_ _ Hadoop]: https://blog.csdn.net/weixin_44775255/article/details/113775449
[9_Hadoop_ Spark_Scala]: https://blog.csdn.net/weixin_44775255/article/details/114518207
[10_Hadoop_Hbase]: https://blog.csdn.net/weixin_44775255/article/details/114676669
[11_eclipse_Hadoop]: https://blog.csdn.net/weixin_44775255/article/details/114799064
[12_eclipse _ Hdfs java API]: https://blog.csdn.net/weixin_44775255/article/details/114809298
[13_eclipse _ HBase java API]: https://blog.csdn.net/weixin_44775255/article/details/114821297
[14_Hbase java API]: https://blog.csdn.net/weixin_44775255/article/details/117446315
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc3NTI1NQ_size_16_color_FFFFFF_t_70]: /images/20221022/e297169d4b964c9b9c50ea459950699d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc3NTI1NQ_size_16_color_FFFFFF_t_70 1]: /images/20221022/acef32936bd542d2a3303a28e07b5cde.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc3NTI1NQ_size_16_color_FFFFFF_t_70 2]: /images/20221022/0750c0506df245faa562cca137aeae30.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc3NTI1NQ_size_16_color_FFFFFF_t_70 3]: /images/20221022/861c7c235a504db984a3de62ea32b7a8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc3NTI1NQ_size_16_color_FFFFFF_t_70 4]: /images/20221022/ad3e52c6ad984390953e52ddb0d695a2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc3NTI1NQ_size_16_color_FFFFFF_t_70 5]: /images/20221022/6daef49ea39543539e7ff17670102dd5.png