Spark大数据处理讲课笔记4.6 Spark SQL数据源 - JDBC

一、Spark SQL读取关系数据库
Spark SQL还可以使用JDBC API从其他关系型数据库读取数据，返回的结果仍然是一个DataFrame，可以很容易地在Spark SQL中处理，或者与其他数据源进行连接查询。
二、Spark SQL JDBC连接属性
在使用JDBC连接数据库时可以指定相应的连接属性
属性    介绍
url    连接的JDBC URL
driver    JDBC驱动的类名
user    数据库用户名
password    数据库密码
dbtable    数据库表名或能代表一张数据库表的子查询。在读取数据时，若只使用数据库表名，则将查询整张表的数据；若希望查询部分数据或多表关联查询，则可以使用SQL查询的FROM子句中有效的任何内容，例如放入括号中的子查询。该属性的值会被当作一张表进行查询，查询格式：select * from <dbtable属性值> where 1 = 1。注意，不允许同时指定dbtable和query属性。
query    指定查询的SQL语句。注意：不允许同时指定dbtable和query属性，也不允许同时指定query和partitionColumn属性。当需要指定partitionColumn属性时，可以使用dbtable属性指定子查询，并使用子查询的别名对分区列进行限定。
partitionColumn
lowerBound
upperBound    这几个属性，若有一个被指定，则必须全部指定，且必须指定numPartitions属性。它们描述了如何在从多个Worker中并行读取数据时对表进行分区。partitionColumn必须是表中的数字、日期或时间戳列。注意，lowerBound 和upperBound只是用来决定分区跨度的，而不是用来过滤表中的行。因此，表中的所有行都将被分区并返回。
numPartitions    对表并行读写数据时的最大分区数，这也决定了并发JDBC连接的最大数量。如果要写入数据的分区数量超过了此限制的值，那么在写入之前可以调用coalesce(numpartition)将分区数量减少到此限制的值。
三、创建数据库与表
（一）创建数据库
创建数据库spark_db

（二）创建学生表
创建表student，执行命令：CREATE TABLE student (id INT, name VARCHAR(10), gender VARCHAR(2), age INT);

给student表插入几条记录

INSERT INTO student VALUES (1, '李文君', '女', 18);
INSERT INTO student VALUES (2, '唐玉龙', '男', 19);
INSERT INTO student VALUES (3, '陈燕文', '女', 20);
INSERT INTO student VALUES (4, '洪小刚', '男', 18);
INSERT INTO student VALUES (5, '郑小翠', '女', 19);
1
2
3
4
5
（二）创建成绩表
创建表student，执行命令：CREATE TABLE score (id INT, name VARCHAR(10), score REAL);

给score表插入几条记录

 

四、读取和写入数据库表
启动Spark Shell

 

（一）利用dbtable属性读取数据表
读取student表
val studentDF = spark.read.format("jdbc")
  .option("url", "jdbc:mysql://master:3306/spark_db?useSSL=false")     
  .option("driver","com.mysql.jdbc.Driver")  
  .option("dbtable", "student")  
  .option("user", "root")  
  .option("password", "903213")  
  .load()
1
2
3
4
5
6
7
执行上述命令

 

执行命令：studentDF.show()

 

（二）利用dbtable属性读取数据表查询
读取student与score关联查询结果
val resultDF = spark.read.format("jdbc")
  .option("url", "jdbc:mysql://master:3306/spark_db?useSSL=false")     
  .option("driver","com.mysql.jdbc.Driver")  
  .option("dbtable", "(select st.id, st.name, gender, age, score from student st inner join score sc on st.id = sc.id) t")  
  .option("user", "root")  
  .option("password", "903213")  
  .load()
1
2
3
4
5
6
7
执行上述命令（dbtable属性的值是一个子查询，相当于SQL查询中的FROM关键字后的一部分）

 

查看结果数据帧内容，执行命令：resultDF.show()

 

将数据帧内容以json格式写入HDFS的/out目录

 

在slave1虚拟机上查看生成的json文件

 

（三）将数据帧内容写入数据表
将数据帧内容以jdbc格式写入数据库spark_db的test表
resultDF.write.mode(SaveMode.Overwrite).format("jdbc")
  .option("url", "jdbc:mysql://master:3306/spark_db?useSSL=false")     
  .option("dbtable", "test")
  .option("user", "root")
  .option("password", "903213")
  .save()
1
2
3
4
5
6
执行上述命令

 

在Navicat里查看生成的test表

 

（四）利用query属性读取数据表查询
读取student与score关联查询结果
val resultDF = spark.read.format("jdbc")
  .option("url", "jdbc:mysql://master:3306/spark_db?useSSL=false")     
  .option("driver","com.mysql.jdbc.Driver")  
  .option("query", "select st.name, st.gender, sc.score from student st inner join score sc on st.id = sc.id")  
  .option("user", "root")  
  .option("password", "903213")  
  .load()
1
2
3
4
5
6
7
执行上述命令，报错

Spark2.1.1的Spark SQL的JDBC属性里没有query。

 

 

从Spark 2.4.0开始的Spark SQL的JDBC属性里有query

将Spark集群的Spark版本升级到Spark2.4.4

 

 

启动Spark Shell，执行命令：spark-shell --master spark://master:7077

读取student与score关联查询结果

val resultDF = spark.read.format("jdbc")
  .option("url", "jdbc:mysql://master:3306/spark_db?useSSL=false")     
  .option("driver","com.mysql.jdbc.Driver")  
  .option("query", "select st.name, st.gender, sc.score from student st inner join score sc on st.id = sc.id")  
  .option("user", "root")  
  .option("password", "903213")  
  .load()
1
2
3
4
5
6
7
执行上述命令

 

执行命令：resultDF.show()