1．Spark SQL 基本操作

將下列 JSON 格式數據復制到 Linux 系統中，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":5 , "name":"Damon" }

{ "id":5 , "name":"Damon" }

為 employee.json 創建 DataFrame，并寫出 Scala 語句完成下列操作：

將下列 json 數據復制到你的 ubuntu 系統/usr/local/spark 下，并保存命名為 employee.json。

scala> import org.apache.spark.sql.SparkSession

scala> val spark=SparkSession.builder().getOrCreate()

scala> import spark.implicits._

scala> val df = spark.read.json("file:///usr/local/spark/employee.json")

(1) 查詢所有數據；

(2) 查詢所有數據，并去除重復的數據；

(3) 查詢所有數據，打印時去除 id 字段；

(4) 篩選出 age>30 的記錄；

(5) 將數據按 age 分組；

(6) 將數據按 name 升序排列；

(7) 取出前 3 行數據；

(8) 查詢所有記錄的 name 列，并為其取別名為 username；

(9) 查詢年齡 age 的平均值；

(10) 查詢年齡 age 的最小值。

2．編程實現將 RDD 轉換為 DataFrame

源文件內容如下（包含 id,name,age）：

1,Ella,36

2,Bob,29

3,Jack,29

請將數據復制保存到 Linux 系統中，命名為 employee.txt，實現從 RDD 轉換得到

DataFrame，并按“id:1,name:Ella,age:36”的格式打印出 DataFrame 的所有數據。請寫出程序代碼。

假設當前目錄為/usr/local/spark/mycode/rddtodf，在當前目錄下新建一個目錄 mkdir -p src/main/scala ，然后在目錄/usr/local/spark/mycode/rddtodf/src/main/scala 下 新 建 一 個 rddtodf.scala

方法一：利用反射來推斷包含特定類型對象的RDD的schema，適用對已知數據結構的RDD 轉換；

import org.apache.spark.sql.catalyst.encoders.ExpressionEncoder 
import org.apache.spark.sql.Encoder 
import spark.implicits._ 
object RDDtoDF { 
     def main(args: Array[String]) {
            case class Employee(id:Long,name: String, age: Long) 
            val employeeDF = 
    spark.sparkContext.textFile("file:///usr/local/spark/employee.txt").map(_.split(",")).map(at tributes => Employee(attributes(0).trim.toInt,attributes(1), attributes(2).trim.toInt)).toDF() 
    employeeDF.createOrReplaceTempView("employee") 
    val employeeRDD = spark.sql("select id,name,age from employee") 
    employeeRDD.map(t => "id:"+t(0)+","+"name:"+t(1)+","+"age:"+t(2)).show() 
    } 
} 

方法二：使用編程接口，構造一個 schema 并將其應用在已知的 RDD 上。

import org.apache.spark.sql.types._
import org.apache.spark.sql.Encoder import org.apache.spark.sql.Row  
object RDDtoDF {     
def main(args: Array[String]) { 
     val employeeRDD = spark.sparkContext.textFile("file:///usr/local/spark/employee.txt")
     val schemaString = "id name age" 
     val fields = schemaString.split(" ").map(fieldName => StructField(fieldName, StringType, nullable = true)) 
     val schema = StructType(fields) 
     val rowRDD = employeeRDD.map(_.split(",")).map(attributes => Row(attributes(0).trim, attributes(1), attributes(2).trim)) 
     val employeeDF = spark.createDataFrame(rowRDD, schema) 
     employeeDF.createOrReplaceTempView("employee") 
     val results = spark.sql("SELECT id,name,age FROM employee") 
     results.map(t => "id:"+t(0)+","+"name:"+t(1)+","+"age:"+t(2)).show()     
}
 } 

在目錄/usr/local/spark/mycode/rddtodf 目錄下新建 simple.sbt，復制下面代碼：

name := "Simple Project"
version := "1.0" scalaVersion := "2.11.8"
libraryDependencies += "org.apache.spark" % "spark-core" % "2.1.0" 

在目錄/usr/local/spark/mycode/rddtodf 下執行下面命令打包程序 /

/usr/local/sbt/sbt package 

最后在目錄/usr/local/spark/mycode/rddtodf 下執行下面命令提交程序

/usr/local/spark/bin/spark-submit --class " RDDtoDF "  
/usr/local/spark/mycode/rddtodf/target/scala-2.11/simple-project_2.11-1.0.jar

在終端即可看到輸出結果。

3. 編程實現利用 DataFrame 讀寫 MySQL 的數據

（1） 在 MySQL 數據庫中新建數據庫 sparktest，再創建表 employee，包含如表 6-2 所示的兩行數據。

表 6-2 employee 表原有數據

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

mysql> create database sparktest; 
mysql> use sparktest;
mysql> create table employee (id int(4), name char(20), gender char(4), age int(4)); 
mysql> insert into employee values(1,'Alice','F',22); 
mysql> insert into employee values(2,'John','M',25);

（2） 配置 Spark 通過 JDBC 連接數據庫 MySQL，編程實現利用 DataFrame 插入如表 6-3 所示的兩行數據到 MySQL 中，最后打印出 age 的最大值和 age 的總和。

表 6-3 employee 表新增數據

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

：假設當前目錄為/usr/local/spark/mycode/testmysql，在當前目錄下新建一個目錄 mkdir -p src/main/scala ， 然 后 在 目 錄 /usr/local/spark/mycode/testmysql/src/main/scala 下 新 建 一 個 testmysql.scala，復制下面代碼；

import java.util.Properties 
import org.apache.spark.sql.types._ 
import org.apache.spark.sql.Row 
object TestMySQL {     
      def main(args: Array[String]) 
     { 
         val employeeRDD = spark.sparkContext.parallelize(Array("3 Mary F 26","4 Tom M 23")).map(_.split(" ")) 
         val schema = StructType(List(StructField("id", IntegerType, true),StructField("name", StringType, true),StructField("gender", StringType, true),StructField("age", IntegerType, true))) 
         val rowRDD = employeeRDD.map(p => Row(p(0).toInt,p(1).trim, p(2).trim,p(3).toInt)) 
         val employeeDF = spark.createDataFrame(rowRDD, schema) 
         val prop = new Properties() 
         prop.put("user", "root")  
         prop.put("password", "hadoop")  
         prop.put("driver","com.mysql.jdbc.Driver") 
         employeeDF.write.mode("append").jdbc("jdbc:mysql://localhost:3306/sparktest", sparktest.employee", prop) 
         val jdbcDF = spark.read.format("jdbc").option("url", "jdbc:mysql://localhost:3306/sparktest").option("driver","com.mysql.jdbc.Driver").optio n("dbtable","employee").option("user","root").option("password", "hadoop").load() jdbcDF.agg("age" -> "max", "age" -> "sum")     
     } 
} 

在目錄/usr/local/spark/mycode/testmysql 目錄下新建 simple.sbt，復制下面代碼：

name := "Simple Project"
version := "1.0" scalaVersion := "2.11.8"
libraryDependencies += "org.apache.spark" % "spark-core" % "2.1.0" 

在目錄/usr/local/spark/mycode/testmysql 下執行下面命令打包程序

/usr/local/sbt/sbt package 

最后在目錄/usr/local/spark/mycode/testmysql 下執行下面命令提交程序

/usr/local/spark/bin/spark-submit --class " TestMySQL " 
 /usr/local/spark/mycode/testmysql/target/scala-2.11/simple-project_2.11-1.0.jar 

在終端即可看到輸出結果。

總結

以上是生活随笔為你收集整理的Spark SQL 编程初级实践的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。