大数据编程实验三：Spark SQL

一、目的与要求

1、通过实验掌握Spark SQL的基本编程方法；

2、熟悉RDD到DataFrame的转化方法；

3、熟悉利用Spark SQL管理来自不同数据源的数据。

二、实验内容

1．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":5 , "name":"Damon" }

为employee.json创建DataFrame，并写出Python语句完成下列操作：

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

2．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5-2所示的两行数据。

表5-2 employee****表原有数据

name

gender

age

Alice

John

（2）配置Spark通过JDBC连接数据库MySQL，编程实现利用DataFrame插入如表5-3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5-3 employee****表新增数据

name

gender

age

Mary

Tom

你的名字

你的性别

你的年龄

三、实验步骤****（实验过程）

1.(1)>>> sp=SparkSession.builder.getOrCreate()

df=sp.read.json("file:///home/deeszechyi/employee.json")

df.show()

(2)>>> df.distinct().show()

(3)>>> df.drop("id").show()

(4)>>> df.filter(df['age']>30).show()

(5)>>> df.groupBy(df['age']).count().show()

(6)>>> df.sort(df["name"]).show()

(7)>>> df.take(3)

(8)>>> df.select(df['name'].alias("username")).show()

(9)>>> df.agg({"age":"mean"}).show()

(10)>>> df.agg({"age":"min"}).sh

from pyspark.conf import SparkConf
from pyspark.sql.session import SparkSession
from pyspark import SparkContext
from pyspark.sql.types import Row
from pyspark.sql import SQLContext
if name == "main":
sc = SparkContext("local","Simple App")
spark=SparkSession(sc)
peopleRDD = spark.sparkContext.textFile("file:///home/deeszechyi/emloyee.txt")
rowRDD = peopleRDD.map(lambda line : line.split(",")).map(lambda attributes : Row(int(attributes[0]),attributes[1],int(attributes[2]))).toDF()
rowRDD.createOrReplaceTempView("employee")
personsDF = spark.sql("select * from employee")
personsDF.rdd.map(lambda t : "id:"+str(t[0])+","+"Name:"+t[1]+","+"age:"+str(t[2])).foreach(print)

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);

from pyspark import SparkContext
from pyspark.sql import SQLContext
from pyspark.sql.types import Row
from pyspark.sql.types import StructType
from pyspark.sql.types import StructField
from pyspark.sql.types import StringType
from pyspark.sql.types import IntegerType
if name == "main":

sc = SparkContext( 'local', 'test')
 spark=SQLContext(sc)
 jdbcDF=spark.read.format("jdbc").option("driver","com.mysql.jdbc.Driver").option("url","jdbc:mysql://localhost:3306/sparktest?useSSL=false").option("dbtable","employee").option("user", "root").option("password", "MYsql123!").load()
 jdbcDF.filter(jdbcDF.age>20).collect()      # 检测是否连接成功
 studentRDD = sc.parallelize(["3 Mary F 26","4 Tom M 23"]).map(lambda line : line.split(" "))
 schema = StructType([StructField("id",IntegerType(),True),StructField("name", StringType(), True),StructField("gender", StringType(), True),StructField("age",IntegerType(), True)])
 rowRDD = studentRDD.map(lambda p : Row(int(p[0]),p[1].strip(), p[2].strip(),int(p[3])))
 employeeDF = spark.createDataFrame(rowRDD, schema)
 prop = {}
 prop['user'] = 'root'
 prop['password'] = 'MYsql123!'
 prop['driver'] = "com.mysql.jdbc.Driver"
 employeeDF.write.jdbc("jdbc:mysql://localhost:3306/sparktest?useSSL=false",'employee','append', prop)
 jdbcDF.collect()
 jdbcDF.agg({"age": "max"}).show()
 jdbcDF.agg({"age": "sum"}).show()

四、实验结果

(1)