9. Spark SQL：JDBC数据源实战

Spark SQL支持使用JDBC从关系型数据库（比如MySQL）中读取数据。读取的数据，依然由DataFrame表示，可以很方便地使用Spark Core提供的各种算子进行处理。

这里有一个经验之谈，实际上用Spark SQL处理JDBC中的数据是非常有用的。比如说，你的MySQL业务数据库中，有大量的数据，比如1000万，然后，你现在需要编写一个程序，对线上的脏数据某种复杂业务逻辑的处理，甚至复杂到可能涉及到要用Spark SQL反复查询Hive中的数据，来进行关联处理。那么此时，用Spark SQL来通过JDBC数据源，加载MySQL中的数据，然后通过各种算子进行处理，是最好的选择。因为Spark是分布式的计算框架，对于1000万数据，肯定是分布式处理的。而如果你自己手工编写一个Java程序，那么不好意思，你只能分批次处理了，先处理2万条，再处理2万条，可能运行完你的Java程序，已经是几天以后的事情了。

Java版本
Map<String, String> options = new HashMap<String, String>();
options.put("url", "jdbc:mysql://spark1:3306/testdb");
options.put("dbtable", "students");
DataFrame jdbcDF = sqlContext.read().format("jdbc"). options(options).load();

Scala版本
val jdbcDF = sqlContext.read.format("jdbc").options( 
  Map("url" -> "jdbc:mysql://spark1:3306/testdb",
  "dbtable" -> "students")).load()

案例：查询分数大于80分的学生信息
grant all on testdb.* to ''@'spark1' with grant option;
flush privileges;

java版本实现：

package cn.spark.study.sql;import java.sql.Connection;import java.sql.DriverManager;import java.sql.Statement;import java.util.ArrayList;import java.util.HashMap;import java.util.List;import java.util.Map;import org.apache.spark.SparkConf;import org.apache.spark.api.java.JavaPairRDD;import org.apache.spark.api.java.JavaRDD;import org.apache.spark.api.java.JavaSparkContext;import org.apache.spark.api.java.function.Function;import org.apache.spark.api.java.function.PairFunction;import org.apache.spark.api.java.function.VoidFunction;import org.apache.spark.sql.DataFrame;import org.apache.spark.sql.Row;import org.apache.spark.sql.RowFactory;import org.apache.spark.sql.SQLContext;import org.apache.spark.sql.types.DataTypes;import org.apache.spark.sql.types.StructField;import org.apache.spark.sql.types.StructType;import scala.Tuple2;/** * JDBC数据源 * @author leizq120310 * */public class JDBCDataSource {public static void main(String[] args) {SparkConf conf = new SparkConf().setAppName("JDBCDataSource");JavaSparkContext sc = new JavaSparkContext(conf);SQLContext sqlContext = new SQLContext(sc);// 总结一下// jdbc数据源// 首先，是通过SQLContext的read系列方法，将mysql中的数据加载为DataFrame// 然后可以将DataFrame转换为RDD，使用Spark Core提供的各种算子进行操作// 最后可以将得到的数据结果，通过foreach()算子，写入mysql、hbase、redis等等db/ cache中// 分别将mysql中两张表的数据加载为DataFrameMap<String, String> options = new HashMap<String, String>();options.put("url", "jdbc:mysql://spark1:3306/testdb");options.put("dbtable", "student_infos");DataFrame studentInfosDF = sqlContext.read().format("jdbc").options(options).load();options.clear();options.put("url", "jdbc:mysql://spark1:3306/testdb");options.put("dbtable", "student_scores");DataFrame studentScoresDF = sqlContext.read().format("jdbc").options(options).load();// 将两个DataFrame转换为JavaPairRDD，执行join操作JavaPairRDD<String, Tuple2<Integer, Integer>> studentsRDD = studentInfosDF.javaRDD().mapToPair(new PairFunction<Row, String, Integer>() {private static final long serialVersionUID = 1L;@Overridepublic Tuple2<String, Integer> call(Row row) throws Exception {return new Tuple2<String, Integer>(row.getString(0), Integer.valueOf(String.valueOf(row.get(1))));}}).join(studentScoresDF.javaRDD().mapToPair(new PairFunction<Row, String, Integer>() {private static final long serialVersionUID = 1L;@Overridepublic Tuple2<String, Integer> call(Row row) throws Exception {return new Tuple2<String, Integer>(row.getString(0), Integer.valueOf(String.valueOf(row.get(1))));}}));// 将JavaPairRDD转换为JavaRDD<Row>JavaRDD<Row> studentRowsRDD = studentsRDD.map(new Function<Tuple2<String,Tuple2<Integer,Integer>>, Row>() {private static final long serialVersionUID = 1L;@Overridepublic Row call(Tuple2<String, Tuple2<Integer, Integer>> tuple) throws Exception {return RowFactory.create(tuple._1, tuple._2._1, tuple._2._2);}});// 过滤出分数大于80分的数据JavaRDD<Row> filteredStudentRowsRDD = studentRowsRDD.filter(new Function<Row, Boolean>() {private static final long serialVersionUID = 1L;@Overridepublic Boolean call(Row row) throws Exception {if (row.getInt(2) > 80) {return true;}return false;}});// 转换为DataFrameList<StructField> structFields = new ArrayList<StructField>();structFields.add(DataTypes.createStructField("name", DataTypes.StringType, true));structFields.add(DataTypes.createStructField("age", DataTypes.IntegerType, true));structFields.add(DataTypes.createStructField("score", DataTypes.IntegerType, true));StructType structType = DataTypes.createStructType(structFields);DataFrame studentsDF = sqlContext.createDataFrame(filteredStudentRowsRDD, structType);Row[] rows = studentsDF.collect();for (Row row : rows){System.out.println(row);}// 将DataFrame中的数据保存到mysql表中// 这种方式是在企业里很常用的，有可能是插入mysql、有可能是插入hbase，还有可能是插入redis缓存studentsDF.javaRDD().foreach(new VoidFunction<Row>() {private static final long serialVersionUID = 1L;@Overridepublic void call(Row row) throws Exception {String sql = "insert into good_student_infos values("+ "'" + String.valueOf(row.getString(0)) + "',"+ Integer.valueOf(String.valueOf(row.get(1))) + ","+ Integer.valueOf(String.valueOf(row.get(2))) + ")";Class.forName("com.mysql.jdbc.Driver");Connection conn = null;Statement stmt = null;try{conn = DriverManager.getConnection("jdbc:mysql://spark1:3306/testdb", "", "");stmt = conn.createStatement();stmt.executeUpdate(sql);} catch (Exception e) {e.printStackTrace();} finally{if (stmt != null){stmt.close();}if (conn != null){conn.close();}}}});sc.close(); }}