【2018-04-10】【2.1.1】spark sql操作mysql和hdfs

spark 2.X与1.x的区别

spark sql 2.x以上版本和1.x版本有个很大的区别：spark1.x的sqlContext在spark2.0中被整合到sparkSession，故而利用spark-shell客户端操作会有些许不同，具体如下文所述。

载入外部数据的load方法

在spark sql中有一个DataStreamReader封装了读取各种格式的外部数据的方法，其中，format（str）用于传数据格式，比如csv,json，parquet，jdbc等；load(path)用于传入数据的地址，其中可以传入本地数据路径也可以是hdfs上的路径，在官网给的demo中都是传的本地数据路径：比如：

val usersDF = spark.read.load("examples/src/main/resources/users.parquet")

load（path）的源码：注意：load不能l载入hive的数据，hive数据需要使用table方法来载入。

def load(path: String): DataFrame = {
 option("path", path).load()
   }

   def load(): DataFrame = {
 if (source.toLowerCase(Locale.ROOT) == DDLUtils.HIVE_PROVIDER) {
   throw new AnalysisException("Hive data source can only be used with tables, you can not " +
     "read files of Hive data source directly.")
 }

 val dataSource =
   DataSource(
   sparkSession,
 userSpecifiedSchema = userSpecifiedSchema,
 className = source,
 options = extraOptions.toMap)
 Dataset.ofRows(sparkSession, StreamingRelation(dataSource))
   }

【hdfs路径】写入写出hdfs上的路径，则需要加入hdfs的完全路径，如：

studentDF.write.parquet("hdfs://h4:9000/test/spark/parquet")
studentDF.write.json("hdfs://h4:9000/test/spark/json")

spark sql与mysql 和hdfs交互的实战

1.添加jar包

正常配置不再赘述，这里如果需要读取MySQL数据，则需要在当前用户下的环境变量里额外加上JDBC的驱动jar包例如我的是：mysql-connector-java-5.1.18-bin.jar 存放路径是$SPARK_HOME/jars 所以需要额外配置环境变量
export PATH = $PATH:$SPARK_HOME/jars

2.启动spark-shell

bin/spark-shell --master=spark://h4:7077 --driver-class-path=./jars/mysql-connector-java-5.1.18-bin.jar -- jars=./jars/mysql-connector-java-5.1.18-bin.jar
3.代码

spark-sql采用sql方式执行操作正常启动之后可以先通过spark-sql建立数据库并切换到当前新建的数据库
spark.sql("create database spark")
可以查看下是否新建成功
spark.sql("show databases ").show
创建成功之后切换数据库
spark.sql("use spark")
现在开始读取远程MySQL数据
val sql = """CREATE TABLE student USING org.apache.spark.sql.jdbc OPTIONS ( url "jdbc:mysql://worker2:3306/spark", dbtable "student", user "root", password "root" )"""
执行：
spark.sql(sql);

等待执行完毕之后，将表数据存入缓存
spark.sql("cache table student")
此时即可进行操作，例如：val studentDF = spark.sql("select id,name from student")
完成需求查询之后，可将结果以parquet的格式保存到HDFS
studentDF.write.parquet("hdfs://h4:9000/test/spark/parquet")
也可以写成json格式
studentDF.write.json("hdfs://h4:9000/test/spark/json")

4.性能：

集群状态下，硬件配置32G内存 2T硬盘，spark配了4核，内存分配了20G的情况下，测试速度如下： 2700万条记录的表导入spark用时1秒以内 sparksql将其以json格式存入HDFS用时288秒，共1.0G，将其以parquet格式存入HDFS用时207秒，共86.6M，可见parquet的优势还是比较明显

参考链接： http://blog.51cto.com/10901776/1875371

最后编辑于：2018.04.10 10:27:00