一、实验目的
（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、实验平台
操作系统： Ubuntu16.04 Spark 版本：2.1.0 数据库：MySQL
三、实验内容和要求
1．Spark SQL 基本操作
将下列 json 数据复制到你的 ubuntu 系统/usr/local/spark 下，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" }
{ "id":5 ,"name":"Damon" }
首先为 employee.json 创建 DataFrame，并写出 Scala 语句完成下列操作：创建 DataFrame
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) 查询 DataFrame 的所有数据
scala> df.show()
(2) 查询所有数据，并去除重复的数据
scala> df.distinct().show()
(3) 查询所有数据，打印时去除 id 字段
scala> df.drop("id").show()
(4) 筛选age>20的记录
scala> df.filter(df("age") > 30 ).show()
(5) 将数据按 name 分组
scala> df.groupBy("name").count().show()
(6) 将数据按 name 升序排列
scala> df.sort(df("name").asc).show()
(7) 取出前 3 行数据
scala> df.take(3) 或scala> df.head(3)
(8) 查询所有记录的 name 列，并为其取别名为 username
scala> df.select(df("name").as("username")).show()
(9) 查询年龄 age 的平均值
scala> df.agg("age"->"avg")
(10) 查询年龄 age 的最小值
scala> df.agg("age"->"min")
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
将数据复制保存到 ubuntu 系统/usr/local/spark 下，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。（任选一种方法即可）
在目录为/usr/local/spark/mycode/rddtodf下:
新建一个目录:mkdir -p src/main/scala ，
然后在目录 /usr/local/spark/mycode/rddtodf/src/main/scala 下:
新建一个文件：vim rddtodf.scala。复制下面代码；（下列两种方式任选其一）
利用反射来推断包含特定类型对象的RDD的schema，适用对已知数据结构的RDD 转换；
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(attributes=>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() } }
在目录/usr/local/spark/mycode/rddtodf 目录下新建文件：vim simple.sbt，将下列代码写入到该文件中：
name := "Simple Project"
version := "1.0"
scalaVersion := "2.12.7"（此处为你的Scala版本号）
libraryDependencies += "org.apache.spark" % "spark-core" % "2.4.0"（此处为你的spark版本号）
在目录/usr/local/spark/mycode/rddtodf 下打包程序：
/usr/local/sbt/sbt package
最后在目录/usr/local/spark/mycode/rddtodf 下提交程序
/usr/local/spark/bin/spark-submit --class "RDDtoDF”
/usr/local/spark/mycode/rddtodf/target/scala-2.12/simple-project_2.12-1.0.jar
在终端即可看到输出结果。
3. 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，再建表 employee，包含下列两行数据；表 1 employee 表原有数据
|
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通过 JDBC 连接数据库MySQL，编程实现利用 DataFrame 插入下列数据到 MySQL，最后打印出 age 的最大值和 age 的总和。表 2 employee 表新增数据
|
id |
name |
gender |
age |
|
3 |
Mary |
F |
26 |
|
4 |
Tom |
M |
23 |
在目录/usr/local/spark/mycode/testmysql下新建目录： mkdir -p src/main/scala ，
然后在目录 /usr/local/spark/mycode/testmysql/src/main/scala 下新建文件：vim testmysql.scala，将下列代码复制到该文件中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")
}
}
在目录/usr/local/spark/mycode/testmysql 目录下新建文件：vim simple.sbt，复制下面代码：
name := "Simple Project"
version := "1.0"
scalaVersion := "2.12.7" （此处为你的Scala版本）
libraryDependencies += "org.apache.spark" %% "spark-core" % "2.4.0"（此处为你的spark版本）
在目录/usr/local/spark/mycode/testmysql下打包程序：
/usr/local/sbt/sbt package
最后在目录/usr/local/spark/mycode/testmysql 下提交程序
/usr/local/spark/bin/spark-submit --class "TestMySQL”
/usr/local/spark/mycode/rddtodf/target/scala-2.12/simple-project_2.12-1.0.jar
在终端即可看到输出结果。