spark rdd转dataframe 写入mysql的示例

　　　dataframe是在spark1.3.0中推出的新的api，这让spark具备了处理大规模结构化数据的能力，在比原有的RDD转化方式易用的前提下，据说计算性能更还快了两倍。spark在离线批处理或者实时计算中都可以将rdd转成dataframe进而通过简单的sql命令对数据进行操作，对于熟悉sql的人来说在转换和过滤过程很方便，甚至可以有更高层次的应用，比如在实时这一块，传入kafka的topic名称和sql语句，后台读取自己配置好的内容字段反射成一个class并利用出入的sql对实时数据进行计算，这种情况下不会spark streaming的人也都可以方便的享受到实时计算带来的好处
　　　
　　　下面的示例为读取本地文件成rdd并隐式转换成dataframe对数据进行查询，最后以追加的形式写入mysql表的过程,scala代码示例如下

import java.sql.Timestamp

import org.apache.spark.sql.{SaveMode, SQLContext}
import org.apache.spark.{SparkContext, SparkConf}

object DataFrameSql {
  case class memberbase(data_date:Long,memberid:String,createtime:Timestamp,sp:Int)extends Serializable{
    override  def toString: String="%d\t%s\t%s\t%d".format(data_date,memberid,createtime,sp)
  }

  def main(args:Array[String]): Unit ={
    val conf = new SparkConf()
    conf.setMaster("local[2]")
// ----------------------
    //参数 spark.sql.autoBroadcastJoinThreshold 设置某个表是否应该做broadcast，默认10M，设置为-1表示禁用
    //spark.sql.codegen 是否预编译sql成java字节码，长时间或频繁的sql有优化效果
    // spark.sql.inMemoryColumnarStorage.batchSize 一次处理的row数量，小心oom
    //spark.sql.inMemoryColumnarStorage.compressed 设置内存中的列存储是否需要压缩
// ----------------------
    conf.set("spark.sql.shuffle.partitions","20") //默认partition是200个
    conf.setAppName("dataframe test")

    val sc =  new SparkContext(conf)
    val sqc = new SQLContext(sc)

    val ac  = sc.accumulator(0,"fail nums")
    val file = sc.textFile("src\\main\\resources\\000000_0")
    val log = file.map(lines => lines.split("  ")).filter(line =>
      if (line.length != 4) { //做一个简单的过滤
        ac.add(1)
        false
      } else true)
      .map(line => memberbase(line(0).toLong, line(1),Timestamp.valueOf(line(2)), line(3).toInt))
    // 方法一、利用隐式转换
    import sqc.implicits._
    val dftemp = log.toDF()  // 转换
    /*
     方法二、利用createDataFrame方法,内部利用反射获取字段及其类型
     val dftemp =  sqc.createDataFrame(log)
     */
    val df = dftemp.registerTempTable("memberbaseinfo")
    /*val sqlcommand ="select date_format(createtime,'yyyy-MM')as mm,count(1) as nums " +
      "from memberbaseinfo group by date_format(createtime,'yyyy-MM') " +
      "order by nums desc,mm asc "*/

    val sqlcommand="select * from memberbaseinfo"
    val sel = sqc.sql(sqlcommand)
    val prop = new java.util.Properties
    prop.setProperty("user","etl")
    prop.setProperty("password","xxx")

    // 调用DataFrameWriter将数据写入mysql
    val dataResult = sqc.sql(sqlcommand).write.mode(SaveMode.Append).jdbc("jdbc:mysql://localhost:3306/test","t_spark_dataframe_test",prop) // 表可以不存在
    println(ac.name.get+"  "+ac.value)
    sc.stop()
  }
}

上面代码textFile中的示例数据如下，数据来自hive，字段信息分别为 分区号、用户id、注册时间、第三方号

20160309  45386477  2012-06-12 20:13:15  901438
20160309  45390977  2012-06-12 22:38:06  901036
20160309  45446677  2012-06-14 21:57:39  901438
20160309  45464977  2012-06-15 13:42:55  901438
20160309  45572377  2012-06-18 14:55:03  902606
20160309  45620577  2012-06-20 00:21:09  902606
20160309  45628377  2012-06-20 10:48:05  901181
20160309  45628877  2012-06-20 11:10:15  902606
20160309  45667777  2012-06-21 18:58:34  902524
20160309  45680177  2012-06-22 01:49:55  
20160309  45687077  2012-06-22 11:23:22  902607

这里注意字段类型映射，即case class类到dataframe映射，从官网的截图如下

更多明细可以查看官方文档Spark SQL and DataFrame Guide