寒假学习报告14

实验 5  Spark SQL 编程初级实践 

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 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：

 

import org.apache.spark.sql.SparkSession
val spark=SparkSession.builder().getOrCreate()
import spark.implicits._
val df=spark.read.json("file:///usr/local/sparkdata01/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.sort(df("name").asc).show

 

(7) 取出前 3 行数据；

 

 

df.take(3)

 

(8) 查询所有记录的 name 列，并为其取别名为 username；

 

 

df.select(df("name"),as("username")).show()

 

 

(9) 查询年龄 age 的平均值；

 

 

df.agg("age"->"avg").show()

 

(10) 查询年龄 age 的最小值。

 

 

df.agg("age"->"min").show()

 

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。

 

 

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，再创建表 employee，包含如表 6-2 所示的 两行数据。

 

 

 

 

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