一、實驗目的 （1）通過實驗掌握 Spark SQL 的基本程式設計方法； （2）熟悉 RDD 到 DataFrame 的轉化方法； （3）熟悉利用 Spark SQL 管理來自不同資料來源的資料。 二、實驗平臺 作業系統： Ubuntu16.04 Spark 版本：2.1.0 資料庫：MySQL 三、實驗內容和要求 1．Spark SQL 基本操作 將下列 JSON 格式資料複製到 Linux 系統中，並儲存命名為 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":4 , "name":"Jim","age":28 } { "id":5 , "name":"Damon" } { "id":5 , "name":"Damon" } 為 employee.json 建立 DataFrame，並寫出 Scala 語句完成下列操作：

(1) 查詢所有資料； (2) 查詢所有資料，並去除重複的資料； (3) 查詢所有資料，列印時去除 id 欄位； (4) 篩選出 age>30 的記錄； (5) 將資料按 age 分組； (6) 將資料按 name 升序排列； (7) 取出前 3 行資料； (8) 查詢所有記錄的 name 列，併為其取別名為 username； (9) 查詢年齡 age 的平均值； (10) 查詢年齡 age 的最小值。 2．程式設計實現將 RDD 轉換為 DataFrame 原始檔內容如下（包含 id,name,age）： 1,Ella,36 2,Bob,29 3,Jack,29 請將資料複製儲存到 Linux 系統中，命名為 employee.txt，實現從 RDD 轉換得到DataFrame，並按“id:1,name:Ella,age:36”的格式打印出 DataFrame 的所有資料。請寫出程式程式碼。 實驗程式碼：

scala> import org.apache.spark.sql.types._
import org.apache.spark.sql.types._

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

scala> val peopleRDD = spark.sparkContext.textFile("file:///home/xhj/employee.txt")
peopleRDD: org.apache.spark.rdd.RDD[String] = file:///home/xhj/employee.txt MapPartitionsRDD[1] at textFile at <console>:27
 


scala> val schemaString = "id name age"
schemaString: String = id name age

scala> val fields = schemaString.split(" ").map(fieldName => StructField(fieldName, StringType, nullable = true))
fields: Array[org.apache.spark.sql.types.StructField] = Array(StructField(id,StringType,true), StructField(name,StringType,true), StructField(age,StringType,true))

scala> val schema = StructType(fields)
schema: org.apache.spark.sql.types.StructType = StructType(StructField(id,StringType,true), StructField(name,StringType,true), StructField(age,StringType,true))

scala> val rowRDD = peopleRDD.map(_.split(",")).map(attributes => Row(attributes(0), attributes(1).trim, attributes(2).trim))
rowRDD: org.apache.spark.rdd.RDD[org.apache.spark.sql.Row] = MapPartitionsRDD[3] at map at <console>:29

scala> val peopleDF = spark.createDataFrame(rowRDD, schema)
peopleDF: org.apache.spark.sql.DataFrame = [id: string, name: string ... 1 more field]

scala> peopleDF.createOrReplaceTempView("people")

scala> val results = spark.sql("SELECT id,name,age FROM people")
results: org.apache.spark.sql.DataFrame = [id: string, name: string ... 1 more field]

scala> results.map(attributes => "id: " + attributes(0)+","+"name:"+attributes(1)+","+"age:"+attributes(2)).show()
+--------------------+                                                          
|               value|
+--------------------+
|id: 1,name:Ella,a...|
|id: 2,name:Bob,ag...|
|id: 3,name:Jack,a...|
+--------------------+

實驗結果：

3. 程式設計實現利用 DataFrame 讀寫 MySQL 的資料 （1）在 MySQL 資料庫中新建資料庫 sparktest，再建立表 employee，包含如表 6-2 所示的兩行資料。

（2）配置 Spark 通過 JDBC 連線資料庫 MySQL，程式設計實現利用 DataFrame 插入如表 6-3 所示的兩行資料到 MySQL 中，最後打印出 age 的最大值和 age 的總和。

實驗程式碼：

import java.util.Properties

import com.sun.org.apache.xalan.internal.xsltc.compiler.util.IntType
import org.apache.spark.sql.types._
import org.apache.spark.sql.{Row, SparkSession}


object exercise03 {
  val spark: SparkSession = SparkSession.builder().getOrCreate()
  def main(args: Array[String]): Unit = {

    val jdbcDF = spark.read.format("jdbc").option("url", "jdbc:mysql://localhost:3306/sparktest?serverTimezone=UTC")
      .option("driver", "com.mysql.cj.jdbc.Driver").option("dbtable", "employee")
      .option("user", "root").option("password", "root").load()
    jdbcDF.show()

    val studentRDD=spark.sparkContext.parallelize(Array("3 Mary F 26","4 Tom M 23"))
      .map(x=>x.split(" "))
    val ROWRDD=studentRDD.map(x=>Row(x(0).toInt,x(1).trim,x(2).trim,x(3).toInt))
    ROWRDD.foreach(print)
    //設定模式資訊
    val schema=StructType(List(StructField("id",IntegerType,true),StructField("name",StringType,true),StructField("gender",StringType,true),StructField("age", IntegerType, true)))

    val studentDF=spark.createDataFrame(ROWRDD,schema)

    val parameter=new Properties()
    parameter.put("user","root")
    parameter.put("password","root")
    parameter.put("driver","com.mysql.cj.jdbc.Driver")
    studentDF.write.mode("append").jdbc("jdbc:mysql://localhost:3306/sparktest?serverTimezone=UTC","employee",parameter)
    jdbcDF.show()
  }
}

實驗結果：