Spark SQL 編程初級(jí)實(shí)踐詳解

更新時(shí)間：2023年04月20日 09:45:23 作者：WHYBIGDATA

這篇文章主要為大家介紹了Spark SQL 編程初級(jí)實(shí)踐詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪

寫在前面

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

第1題：Spark SQL 基本操作

將下列 JSON 格式數(shù)據(jù)復(fù)制到 Linux 系統(tǒng)中，并保存命名為 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" }

為 employee.json 創(chuàng)建 DataFrame，并寫出 Scala 語句完成下列操作：

第1小題：查詢所有數(shù)據(jù)；
第2小題：查詢所有數(shù)據(jù)，并去除重復(fù)的數(shù)據(jù)；
第3小題：查詢所有數(shù)據(jù)，打印時(shí)去除 id 字段；
第4小題：篩選出 age>30 的記錄；
第5小題：將數(shù)據(jù)按 age 分組；
第6小題：將數(shù)據(jù)按 name 升序排列；
第7小題：取出前 3 行數(shù)據(jù)；
第8小題：查詢所有記錄的 name 列，并為其取別名為 username；
第9小題：查詢年齡 age 的平均值；
第10小題：查詢年齡 age 的最小值。

主程序代碼

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()
   }
}

主程序執(zhí)行結(jié)果

下圖從上到下、從左到右以此為第一、二、三、…、十道題的執(zhí)行結(jié)果

本題很簡(jiǎn)單，就是相關(guān)方法的調(diào)用。

第2題：編程實(shí)現(xiàn)將 RDD 轉(zhuǎn)換為 DataFrame

題目

源文件內(nèi)容如下（包含 id,name,age）：

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

請(qǐng)先將數(shù)據(jù)復(fù)制保存到 Linux 系統(tǒng)中，命名為 employee.txt，實(shí)現(xiàn)從 RDD 轉(zhuǎn)換得到 DataFrame，并按“id:1,name:Ella,age:36”的格式打印出 DataFrame 的所有數(shù)據(jù)。請(qǐng)寫出程序代碼。

主程序代碼

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) {
}

主程序執(zhí)行結(jié)果

本題重在map算子的使用并創(chuàng)建視圖執(zhí)行sql查詢，注意程序中要使用到import spark.implicits._，

第3題：編程實(shí)現(xiàn)利用 DataFrame 讀寫 MySQL 的數(shù)據(jù)

題目

（1）在 MySQL 數(shù)據(jù)庫中新建數(shù)據(jù)庫 sparktest，再創(chuàng)建表 employee，包含如表 6-2 所示的兩行數(shù)據(jù)。

（2）配置 Spark 通過 JDBC 連接數(shù)據(jù)庫 MySQL，編程實(shí)現(xiàn)利用 DataFrame 插入如表 6-3 所示的兩行數(shù)據(jù)到 MySQL 中，最后打印出 age 的最大值和 age 的總和。

主程序代碼

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語句需要跟在數(shù)據(jù)庫連接語句的第一個(gè)位置，否則會(huì)報(bào)錯(cuò)
        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)
    }
}

本題主要在于MySQL的JDBC連接創(chuàng)建。