实验 5 Spark SQL 编程初级实践

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

1. 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