黑马程序员技术交流社区

标题: 【广州校区】Spark系列——从零学习SparkSQL编程（下） [打印本页]

作者: 白猫 时间: 2019-8-22 16:16
标题: 【广州校区】Spark系列——从零学习SparkSQL编程（下）
5. 导入Java依赖

要使用SparkSQL的API，首先要导入Scala，Spark，SparkSQL的依赖：

[AppleScript] 纯文本查看 复制代码

<properties>

  <scala.version>2.11.8</scala.version>

  <hadoop.version>2.7.4</hadoop.version>

  <spark.version>2.0.2</spark.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.hadoop</groupId>

    <artifactId>hadoop-client</artifactId>

    <version>${hadoop.version}</version>

  </dependency>

  <dependency>

    <groupId>mysql</groupId>

    <artifactId>mysql-connector-java</artifactId>

    <version>5.1.32</version>

  </dependency>

  <!-- spark sql 依赖-->

  <dependency>

    <groupId>org.apache.spark</groupId>

    <artifactId>spark-sql_2.11</artifactId>

    <version>2.0.2</version>

  </dependency>

</dependencies>

6. Java代码操作DataFrame

1.DataFrame作为SparkSQL的核心API，它是通过SparkContext来获取，代码如下：

[AppleScript] 纯文本查看 复制代码

//1.创建spark session，并指定appName,需要将任务提交到哪里。

val spark = new

SparkSession.Builder().appName("CaseClassSchema").master("local[2]").getOrCreate()

//2.获取SparkContext，后面所有的SparkSQL操作都需要该上下文。

val sc: SparkContext = spark.sparkContext

上文中，master指定的是sparkSQL的执行环境，可以是集群也可以是本地，这里的local[2]指定的是本地单机运行模
式，使用2条线程来执行任务，注意这里local必须是小写的。
SparkSession是SparkContext的升级版，他支持HiveContext和SparkContext。

2.通过SparkContext后我们可以获取到数据对应的DataFrame，代码如下：

[AppleScript] 纯文本查看 复制代码

//3.获取每一行内容的RDD，并通过schema将RDD转化成DF

val lineRdd: RDD[Array[String]] =

sc.textFile("hdfs://node01:8020/spark_res/people.txt").map(_.split(", "))

val peopleRdd: RDD[People] = lineRdd.map(x => People(x(0), x(1).toInt))

import spark.implicits._

val peopleDF: DataFrame = peopleRdd.toDF

//4.对DF进行操作

peopleDF.printSchema()

peopleDF.show()

println(peopleDF.head())

println(peopleDF.count())

peopleDF.columns.foreach(println)

使用DataFrame之前，必须导包，否则无法使用 toDF 方法。

3.DataFrame操作SQL有两种方式，DSL和SQL，代码如下：

[AppleScript] 纯文本查看 复制代码

//DSL

peopleDF.select("name","age").show()

peopleDF.filter($"age">20).groupBy("name").count().show

//SQL

peopleDF.createOrReplaceTempView("t_people")

spark.sql("select * from t_people order by age desc").show

4.SQL操作完毕后必须关闭sparkContext和SparkSession，代码分别是 sc.stop() 和 spark.stop()

除了读取普通文件，还可以读取mysql orcale数据，代码如下：

[AppleScript] 纯文本查看 复制代码

val properties = new Properties()

properties.setProperty("user","root")

properties.setProperty("password","123456")

//重点代码，连接JDBC

val ipLocationDF: DataFrame =

spark.read.jdbc("jdbc:mysql://localhost:3306/iplocation","iplocation",properties)

ipLocationDF.printSchema

ipLocationDF.show

7. 保存DataFrame的结果

除了读取数据，DataFrame还提供了一整套保存处理数据结果的机制，代码如下：

[AppleScript] 纯文本查看 复制代码

object SparkSqlToMysql {

 def main(args: Array[String]): Unit = {

  val sc: SparkContext = ...

  //1.通过spark session读取json数据,并返回DataFrame

  val peopleDF: DataFrame = spark.read.json(args(0))

  //2.将DataFrame注册为t_people表，并对该表进行SQL语句操作

  peopleDF.createOrReplaceTempView("t_people")

  val resultDF = spark.sql("select * from t_people")

  //3.对上个SQL语句的操作结果进行保存

  val properties = new Properties()

  properties.setProperty("user","root")

  properties.setProperty("password","123456")

 resultDF.write.jdbc("jdbc:mysql://192.168.52.105:3306/iplocation","spark_save_result",pro

perties)

//close sparkcontext sparksession..

}

}

需要注意的是resultDF.write，其返回DataFrameWriter。
1. 该类可以保存任何SQL的结果，并且由于API的便利性，可以保存成多种格式，如 text ，json ，orc，csv，jdbc
等。
2. 对于保存的数据，系统提供了几种保存模式，可以通过mode(String)来指定：
overwrite : 重写文件内部数据
append : 将新增内容添加到文件末尾
ignore : 如果文件已存在则忽略操作
error : default option, 如果文件存在，则抛出异常

8. 总结

1. 在SparkSQL系列中，我们首先介绍了SparkSQL的核心API DataFrame，DataFrame内部分为RDD基础分布式
数据集和Schema元信息。DataFrame的SQL代码在执行之前会经过Catalyst优化，变成高效的处理代码。接着
我们介绍了通过 spark-shell 和 java api 两种客户端窗口操作DataFrame。
2. 创建DataFrame有两种方式：
1. 通过 rdd.toDF 直接将rdd转换成DataFrame。
2. 通过  spark.read 直接读取各种格式的数据。
3. 查看DataFrame的内容有两种：
1. 通过  df.printSchema 查看数据结构。
2. 通过  df.show 查看数据内容。
4. df提供了DSL和SQL两种风格的来操作数据。对于DSL风格，常见的方法有  select() filter() 等。
5. 本文在后半部分主要介绍SparkSQL如何与mysql进行交互，除此之外，还支持Parquet，ORC，JSON，Hive，
JDBC , avro协议文件等交互，可以通过官方网站学习：http://spark.apache.org/docs/latest/sql-data-source
s.html。

作者: su465447 时间: 2019-8-27 11:24

欢迎光临黑马程序员技术交流社区 (http://bbs.itheima.com/)

黑马程序员IT技术论坛 X3.2