快捷導(dǎo)航

pyspark對Mysql數(shù)據(jù)庫進(jìn)行讀寫的實現(xiàn)

更新時間：2020年12月30日 11:40:29 作者：FTDdata

這篇文章主要介紹了pyspark對Mysql數(shù)據(jù)庫進(jìn)行讀寫的實現(xiàn)，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

pyspark是Spark對Python的api接口，可以在Python環(huán)境中通過調(diào)用pyspark模塊來操作spark，完成大數(shù)據(jù)框架下的數(shù)據(jù)分析與挖掘。其中，數(shù)據(jù)的讀寫是基礎(chǔ)操作，pyspark的子模塊pyspark.sql 可以完成大部分類型的數(shù)據(jù)讀寫。文本介紹在pyspark中讀寫Mysql數(shù)據(jù)庫。

1 軟件版本

在Python中使用Spark，需要安裝配置Spark，這里跳過配置的過程，給出運(yùn)行環(huán)境和相關(guān)程序版本信息。

win10 64bit
java 13.0.1
spark 3.0
python 3.8
pyspark 3.0
pycharm 2019.3.4

2 環(huán)境配置

pyspark連接Mysql是通過java實現(xiàn)的，所以需要下載連接Mysql的jar包。

下載地址

在這里插入圖片描述

選擇下載Connector/J，然后選擇操作系統(tǒng)為Platform Independent，下載壓縮包到本地。

在這里插入圖片描述

然后解壓文件，將其中的jar包mysql-connector-java-8.0.19.jar放入spark的安裝目錄下，例如D:\spark\spark-3.0.0-preview2-bin-hadoop2.7\jars。

在這里插入圖片描述

環(huán)境配置完成！

3 讀取Mysql

腳本如下：

from pyspark.sql import SQLContext, SparkSession

if __name__ == '__main__':
  # spark 初始化
  spark = SparkSession. \
    Builder(). \
    appName('sql'). \
    master('local'). \
    getOrCreate()
  # mysql 配置(需要修改)
  prop = {'user': 'xxx', 
      'password': 'xxx', 
      'driver': 'com.mysql.cj.jdbc.Driver'}
  # database 地址(需要修改)
  url = 'jdbc:mysql://host:port/database'
  # 讀取表
  data = spark.read.jdbc(url=url, table='tb_newCity', properties=prop)
  # 打印data數(shù)據(jù)類型
  print(type(data))
  # 展示數(shù)據(jù)
  data.show()
  # 關(guān)閉spark會話
  spark.stop()

注意點(diǎn)：
prop參數(shù)需要根據(jù)實際情況修改，文中用戶名和密碼用xxx代替了，driver參數(shù)也可以不需要；
url參數(shù)需要根據(jù)實際情況修改，格式為jdbc:mysql://主機(jī):端口/數(shù)據(jù)庫；
通過調(diào)用方法read.jdbc進(jìn)行讀取，返回的數(shù)據(jù)類型為spark DataFrame；

運(yùn)行腳本，輸出如下：

在這里插入圖片描述

4 寫入Mysql

腳本如下：

import pandas as pd
from pyspark import SparkContext
from pyspark.sql import SQLContext, Row

if __name__ == '__main__':
  # spark 初始化
  sc = SparkContext(master='local', appName='sql')
  spark = SQLContext(sc)
  # mysql 配置(需要修改)
  prop = {'user': 'xxx',
      'password': 'xxx',
      'driver': 'com.mysql.cj.jdbc.Driver'}
  # database 地址(需要修改)
  url = 'jdbc:mysql://host:port/database'

  # 創(chuàng)建spark DataFrame
  # 方式1：list轉(zhuǎn)spark DataFrame
  l = [(1, 12), (2, 22)]
  # 創(chuàng)建并指定列名
  list_df = spark.createDataFrame(l, schema=['id', 'value']) 
  
  # 方式2：rdd轉(zhuǎn)spark DataFrame
  rdd = sc.parallelize(l) # rdd
  col_names = Row('id', 'value') # 列名
  tmp = rdd.map(lambda x: col_names(*x)) # 設(shè)置列名
  rdd_df = spark.createDataFrame(tmp) 
  
  # 方式3：pandas dataFrame 轉(zhuǎn)spark DataFrame
  df = pd.DataFrame({'id': [1, 2], 'value': [12, 22]})
  pd_df = spark.createDataFrame(df)

  # 寫入數(shù)據(jù)庫
  pd_df.write.jdbc(url=url, table='new', mode='append', properties=prop)
  # 關(guān)閉spark會話
  sc.stop()

注意點(diǎn)：

prop和url參數(shù)同樣需要根據(jù)實際情況修改；

寫入數(shù)據(jù)庫要求的對象類型是spark DataFrame，提供了三種常見數(shù)據(jù)類型轉(zhuǎn)spark DataFrame的方法；

通過調(diào)用write.jdbc方法進(jìn)行寫入，其中的model參數(shù)控制寫入數(shù)據(jù)的行為。

model	參數(shù)解釋
error	默認(rèn)值，原表存在則報錯
ignore	原表存在，不報錯且不寫入數(shù)據(jù)
append	新數(shù)據(jù)在原表行末追加
overwrite	覆蓋原表