Spark SQL 编程初级实践

---

文章目录

• Spark SQL 编程初级实践
• • @[toc]
  • 写在前面
  • 第1题：Spark SQL 基本操作
  • • 主程序代码
    • 主程序执行结果
  • 第2题：编程实现将 RDD 转换为 DataFrame
  • • 题目
    • 主程序代码
    • 主程序执行结果
  • 第3题：编程实现利用 DataFrame 读写 MySQL 的数据
  • • 题目
    • 主程序代码
    • 主程序执行结果

写在前面

• Linux：CentOS7.5
• Spark: spark-3.0.0-bin-hadoop3.2
• IDE：IntelliJ IDEA2020.2.3

第1题：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”: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：

• 第1小题：查询所有数据；
• 第2小题：查询所有数据，并去除重复的数据；
• 第3小题：查询所有数据，打印时去除 id 字段；
• 第4小题：筛选出 age>30 的记录；
• 第5小题：将数据按 age 分组；
• 第6小题：将数据按 name 升序排列；
• 第7小题：取出前 3 行数据；
• 第8小题：查询所有记录的 name 列，并为其取别名为 username；
• 第9小题：查询年龄 age 的平均值；
• 第10小题：查询年龄 age 的最小值。

主程序代码

scala">import org.apache.spark.sql.{DataFrame, SparkSession}object t1 {def main(args: Array[String]): Unit = {val spark: SparkSession = SparkSession.builder().appName("t1").master("local[2]").getOrCreate()import spark.implicits._val df: DataFrame = spark.read.json("dataset/ch05/employee.json")
//        df.show()
//        df.distinct().show()
//        df.drop("id").show()
//        df.filter(df("age") > 20).show()
//        df.groupBy("name").count().show()
//        df.sort(df("name").asc).show()
//        val rows = df.take(3)
//        rows.foreach(println)
//        df.select(df("name").as("username")).show()
//        df.agg("age" -> "avg").show()df.agg("age" -> "min").show()}
}

主程序执行结果

下图从上到下、从左到右以此为第一、二、三、…、十道题的执行结果

本题很简单，就是相关方法的调用。

第2题：编程实现将 RDD 转换为 DataFrame

题目

源文件内容如下（包含 id,name,age）：

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

请先将数据复制保存到 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。

主程序代码

scala">import org.apache.spark.sql.{DataFrame, SparkSession}object t2 {def main(args: Array[String]): Unit = {val spark: SparkSession = SparkSession.builder().appName("t1").master("local[2]").getOrCreate()val employeeInfo = spark.sparkContext.textFile("/input/dataset/employee.txt")import spark.implicits._val employeeDF: DataFrame = employeeInfo.map(_.split(",")).map(attributes =>Employee(attributes(0).trim.toInt, attributes(1), attributes(2).trim.toInt)).toDF()employeeDF.createTempView("employee")val employeeRDD: DataFrame = spark.sql("select id, name, age from employee")employeeRDD.map(e => {"id:" + e(0) + ",name:" + e(1) + ",age:" + e(2)}).show(10, false)}
}case class Employee(id: Long, name: String, age: Long) {
}

主程序执行结果

本题重在map算子的使用并创建视图执行sql查询，注意程序中要使用到import spark.implicits._，

第3题：编程实现利用 DataFrame 读写 MySQL 的数据

题目

（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。

（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。

主程序代码

scala">import java.util.Properties
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 t3 {def main(args: Array[String]): Unit = {val spark: SparkSession = SparkSession.builder().appName("t3").master("local[2]").getOrCreate()val employeeRDD: RDD[Array[String]] = spark.sparkContext.parallelize(Array("3 Mary F 26", "4 Tom M 23")).map(_.split(" "))val schema: StructType = StructType(List(StructField("id", IntegerType, true),StructField("name", StringType, true),StructField("gender", StringType, true),StructField("age", IntegerType, true)))val rowRDD: RDD[Row] = employeeRDD.map(p => Row(p(0).toInt, p(1).trim, p(2).trim, p(3).toInt))val df: DataFrame = spark.createDataFrame(rowRDD, schema)val properties = new Properties()properties.put("user", "root");properties.put("password", "123456");properties.put("driver", "com.mysql.jdbc.Driver");// serverTimezone=UTC语句需要跟在数据库连接语句的第一个位置，否则会报错df.write.mode("append").jdbc("jdbc:mysql://localhost:3306/bd01_spark?serverTimezone=UTC&characterEncoding=utf8&useUnicode=true&useSSL=false","bd01_spark.employee", properties)val jdbcDF: DataFrame = spark.read.format("jdbc").option("url", "jdbc:mysql://localhost:3306/bd01_spark").option("driver", "com.mysql.jdbc.Driver").option("dbtable", "employee").option("user", "root").option("password", "123456").load()jdbcDF.agg("age" -> "max", "age" -> "sum").show(10, false)}
}

本题主要在于MySQL的JDBC连接创建。

主程序执行结果

全文结束！！！