Spark SQL 编程初级实践详解

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

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

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

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

来源：https://juejin.cn/post/7223218860500697145