实验五 Spark SQL编程初级实践

++++Spark SQL编程初级实践++++

• 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：

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

• 编程实现将RDD转换为DataFrame

源文件内容如下（包含id,name,age）：

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

请将数据复制保存到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。

• 编程实现利用DataFrame读写MySQL的数据

（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。

表6-2 employee表原有数据

|----|-------|--------|-----|
| id | name | gender | Age |
| 1 | Alice | F | 22 |
| 2 | John | M | 25 |

（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。

表6-3 employee表新增数据

|----|------|--------|-----|
| id | name | gender | age |
| 3 | Mary | F | 26 |
| 4 | Tom | M | 23 |

实验一 ：Spark SQL基本操作

1）
// 导入必要的库
import org.apache.spark.sql.SparkSession

// 创建SparkSession
val spark = SparkSession.builder()
  .appName("Spark SQL Basic Operations")
  .getOrCreate()

// 读取JSON文件创建DataFrame
 	val df = spark.read.json("file:///home/hadoop/employee.json")
          // (1) 查询所有数据
df.show()
（2）查询所有数据，并去除重复的数据
df.distinct().show()

（3）
查询所有数据，打印时去除id字段
df.drop("id").show()

（4）
筛选出age>30的记录
df.filter("age > 30").show()

（5）
将数据按age分组
df.groupBy("age").count().show()


（6）
将数据按name升序排列
df.orderBy("name").show()


（7）
取出前3行数据
df.limit(3).show()

（8）
查询所有记录的name列，并为其取别名为username
df.select($"name".alias("username")).show()

（9）
查询年龄age的平均值
df.selectExpr("avg(age)").show()

（10）
查询年龄age的最小值
df.selectExpr("min(age)").show()

实验二 ：编程实现将RDD转换为DataFrame

编程代码：

import org.apache.spark.sql.{SparkSession, Row}  
import org.apache.spark.sql.types._  
  
object RDDToDataFrameExample {  
  def main(args: Array[String]): Unit = {  
    // 创建SparkSession  
    val spark = SparkSession.builder()  
      .appName("RDD to DataFrame Example")  
      .master("local[*]") // 使用本地模式，如果连接到集群请更改这里  
      .getOrCreate()  
  
    import spark.implicits._  
  
    // 指定employee.txt文件的位置  
    val inputFilePath = "file:///home/hadoop/employee.txt"  
  
    // 从文本文件读取数据创建RDD  
    val rdd = spark.sparkContext.textFile(inputFilePath)  
  
    // 定义DataFrame的schema  
    val schema = StructType(Array(  
      StructField("id", IntegerType, nullable = false),  
      StructField("name", StringType, nullable = false),  
      StructField("age", IntegerType, nullable = false)  
    ))  
  
    // 将RDD转换为DataFrame  
    val dataFrame = spark.createDataFrame(rdd.map { line =>  
      val parts = line.split(",")  
      Row(parts(0).toInt, parts(1), parts(2).toInt)  
    }, schema)  
  
    // 显示DataFrame内容  
    dataFrame.show(false)  
  
    // 按照指定格式打印所有数据  
    dataFrame.collect().foreach { row =>  
      println(s"id:${row.getAs[Int]("id")},name:${row.getAs[String]("name")},age:${row.getAs[Int]("age")}")  
    }  
  
    // 停止SparkSession  
    spark.stop()  
  }  
}

命令

/usr/local/spark-3.5.1/bin/spark-submit --class "RDDToDataFrameExample" ./target/scala-2.12/simple-project_2.12-1.9.0.jar

具体操作参考博客

如何安装sbt（sbt在ubuntu上的安装与配置）（有详细安装网站和图解）-CSDN博客

实验三：编程实现利用DataFrame读写MySQL的数据

mysql代码

CREATE DATABASE sparktest;  
USE sparktest;  
  
CREATE TABLE employee (  
  id INT PRIMARY KEY,  
  name VARCHAR(50),  
  gender CHAR(1),  
  age INT  
);  
  
INSERT INTO employee (id, name, gender, age) VALUES (1, 'Alice', 'F', 22);  
INSERT INTO employee (id, name, gender, age) VALUES (2, 'John', 'M', 25);

如何安装msyql参考博客

在ubuntu上安装mysql(在线安装需要)-CSDN博客

如何安装mysl驱动程序jar包-CSDN博客

编程代码

import org.apache.spark.sql.{SparkSession, Row}  
import java.util.Properties  
import org.apache.spark.sql.SparkSession  
import org.apache.spark.sql.Dataset  
import org.apache.spark.sql.Row  
import org.apache.spark.sql.functions.max  
import org.apache.spark.sql.functions.sum  
  
object MySQLDataFrameExample {  
  def main(args: Array[String]): Unit = {  
    // 创建SparkSession  
    val spark = SparkSession.builder()  
      .appName("MySQL DataFrame Example")  
      .master("local[*]") // 使用本地模式，如果连接到集群请更改这里  
      .getOrCreate()  
  
    import spark.implicits._  
  
    // 配置MySQL JDBC连接  
    val jdbcProperties = new Properties()  
    jdbcProperties.setProperty("user", "root")  
    jdbcProperties.setProperty("password", "mysql")  
    jdbcProperties.setProperty("driver", "com.mysql.cj.jdbc.Driver")  
  
    // 定义MySQL的JDBC连接URL  
    val jdbcUrl = "jdbc:mysql://localhost:3306/sparktest"  
  
    // 创建DataFrame以插入数据  
    val newEmployeeData = Seq(  
      (3, "Mary", "F", 26),  
      (4, "Tom", "M", 23)  
    ).toDF("id", "name", "gender", "age")  
  
    // 将DataFrame数据插入到MySQL的employee表中  
    newEmployeeData.write  
      .mode("append") // 使用append模式来添加数据，而不是覆盖  
      .jdbc(jdbcUrl, "employee", jdbcProperties)  
  
    // 从MySQL读取employee表的数据  
    val employeeDF = spark.read  
      .jdbc(jdbcUrl, "employee", jdbcProperties)  
  
    // 打印age的最大值  
    val maxAge = employeeDF.agg(max("age")).collect()(0).getAs[Int](0)  
    println(s"Max age: $maxAge")  
  
    // 打印age的总和  
    val sumAge = employeeDF.agg(sum("age")).collect()(0).getAs[Long](0)  
    println(s"Sum of ages: $sumAge")  
  
    // 停止SparkSession  
    spark.stop()  
  }  
}

编程详细步骤参考

如何安装sbt（sbt在ubuntu上的安装与配置）（有详细安装网站和图解）-CSDN博客

运行命令

/usr/local/spark-3.5.1/bin/spark-submit --jars /home/hadoop/mysql-connector-j-8.3.0/mysql-connector-j-8.3.0.jar  --class "MySQLDataFrameExample" ./target/scala-2.12/simple-project_2.12-1.9.0.jar

产生错误

主要问题都在实验三中，因为实验三中涉及到一个mysql数据库连接

命令更新为

/usr/local/spark-3.5.1/bin/spark-submit --jars /home/hadoop/mysql-connector-j-8.3.0/mysql-connector-j-8.3.0.jar --class "MySQLDataFrameExample" ./target/scala-2.12/simple-project_2.12-1.9.0.jar

加了一个mysl驱动的jar的引用

如何安装mysql驱动参考博客

如何安装mysl驱动程序jar包-CSDN博客

打包失败

这个问题是代码错误

代码未引入一些包

加上下面这些就可以了

import org.apache.spark.sql.{SparkSession, Row}

import java.util.Properties

import org.apache.spark.sql.SparkSession

import org.apache.spark.sql.Dataset

import org.apache.spark.sql.Row

import org.apache.spark.sql.functions.max

import org.apache.spark.sql.functions.sum

运行失败

未引入mysl驱动程序

要下载mysql驱动

采用命令引入

/usr/local/spark-3.5.1/bin/spark-submit --jars /home/hadoop/mysql-connector-j-8.3.0/mysql-connector-j-8.3.0.jar  --class "MySQLDataFrameExample" ./target/scala-2.12/simple-project_2.12-1.9.0.jar

参考链接

如何安装sbt（sbt在ubuntu上的安装与配置）（有详细安装网站和图解）-CSDN博客

在ubuntu上安装mysql(在线安装需要)-CSDN博客

在ubuntu上安装mysql(在线安装需要)-CSDN博客