spark连数据库

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了spark连数据库相关的知识,希望对你有一定的参考价值。

DataFrame提供了一条联结所有主流数据源并自动转化为可并行处理格式的渠道,通过它Spark能取悦大数据生态链上的所有玩家,无论是善用R的数据科学家,惯用SQL的商业分析师,还是在意效率和实时性的统计工程师。

  以一个常见的场景 -- 日志解析为例,有时我们需要用到一些额外的结构化数据(比如做IP和地址的映射),通常这样的数据会存在mysql,而访问的方式有两种:一是每个worker远程去检索数据库,弊端是耗费额外的网络I/O资源;二是使用JdbcRDD的API转化为RDD格式,然后编写繁复的函数去实现检索,显然要写更多的代码。而现在Spark一行代码就能实现从MySQL到DataFrame的转化,并且支持SQL查询。

在上一篇已经对文本格式进行测试,现在对hive hbase mysql oracle 以及临时表之间join查询做测试

技术分享

 

 1.访问mysql

 除了JSON之外,DataFrame现在已经能支持MySQL、Hive、HDFS、PostgreSQL等外部数据源,而对关系数据库的读取,是通过jdbc实现的。

1
2
3
4
5
6
7
8
9
10
11
12
bin/spark-shell --driver-class-path ./lib/mysql-connector-java-5.1.24-bin.jar
 val sc = new org.apache.spark.SparkContext
 val sqlContext = new org.apache.spark.sql.SQLContext(sc)
 val jdbcDF = sqlContext.load("jdbc", Map("url" -> "jdbc:mysql://192.168.0.110:3306/hidata?user=root&password=123456", "dbtable" -> "loadinfo"))
 
 
 bin/spark-sql --driver-class-path ./lib/mysql-connector-java-5.1.24-bin.jar
spark-sql> create temporary table jdbcmysql using  org.apache.spark.sql.jdbc options(url "jdbc:mysql://192.168.0.110:3306/hidata?user=root&password=123456",dbtable "loadinfo")
spark-sql>select * from jdbcmysql;
//注意src是hive本来就存在的表,在spark sql中不用建立临时表,直接可以进行操作
//实现hive和mysql中表的联合查询
select * from src join jdbcmysql on (src.key=jdbcmysql.id);

2.访问Oracle

同理,但注意连接的URL不一样,也是试了好久

1
2
bin/spark-shell --driver-class-path ./lib/ojdbc6.jar
val jdbcDF = sqlContext.load("jdbc", Map("url" -> "jdbc:oracle:thin:kang/[email protected]:1521:orcl", "dbtable" -> "TEST"))

Spark十八般武艺又可以派上用场了。

错误的URL:

1
2
val jdbcDF = sqlContext.load("jdbc", Map("url" -> "jdbc:oracle:thin:@192.168.0.110:1521:orcl&user=kang&password=123456", "dbtable" -> "TEST"))
val jdbcDF = sqlContext.load("jdbc", Map("url" -> "jdbc:oracle:thin:@192.168.0.110:1521/orcl&user=kang&password=123456", "dbtable" -> "TEST"))

报错类型:看起来最像的解决办法,留着以后用

java.sql.SQLException: Io : NL Exception was generated错误解决(jdbc数据源问题)

解决Oracle ORA-12505, TNS:listener does not currently know of SID given in connect  

第一种方式,会告知无法识别SID,其实在连接时将orcl&user=kang&password=123456都当做其SID,其实就接近了。一般平时用jdbc连接数据库,url user password都分开,学习一下这种方式^^

Oracle的JDBC url三种方式:

1
2
3
4
5
6
1.普通SID方式
jdbc:oracle:thin:username/password@x.x.x.1:1521:SID
2.普通ServerName方式
jdbc:oracle:thin:username/password@//x.x.x.1:1522/ABCD
3.RAC方式
jdbc:oracle:thin:@(DESCRIPTION=(ADDRESS_LIST=(ADDRESS=(PROTOCOL=TCP)(HOST=x.x.x.1)(PORT=1521))(ADDRESS=(PROTOCOL=TCP)(HOST=x.x.x.2)(PORT=1521)))(LOAD_BALANCE=yes)(CONNECT_DATA=(SERVER=DEDICATED)(SERVICE_NAME=xxrac)))

具体参看这里

 

3.访问hive  

hive和spark sql的关系,参见

其实spark sql从一开始就支持hive。Spark提供了一个HiveContext的上下文,其实是SQLContext的一个子类,但从作用上来说,sqlContext也支持Hive数据源。只要在部署Spark的时候加入Hive选项,并把已有的hive-site.xml文件挪到$SPARK_HOME/conf路径下,我们就可以直接用Spark查询包含已有元数据的Hive表了。

1.Spark-sql方式

spark-sql是Spark bin目录下的一个可执行脚本,它的目的是通过这个脚本执行Hive的命令,即原来通过

hive>输入的指令可以通过spark-sql>输入的指令来完成。

spark-sql可以使用内置的Hive metadata-store,也可以使用已经独立安装的Hive的metadata store

配置步骤:

1. 将Hive的conf目录的hive-site.xml拷贝到Spark的conf目录

2. 将hive-site.xml中关于时间的配置的时间单位,比如ms,s全部删除掉

错误信息:Exception in thread "main" java.lang.RuntimeException: java.lang.NumberFormatException: For input string: "5s" 一直以为是输入格式的问题。。

3. 将mysql jdbc的驱动添加到Spark的Classpath上

1
export SPARK_CLASSPATH=$SPARK_CLASSPATH:/home/hadoop/software/spark-1.2.0-bin-hadoop2.4/lib/mysql-connector-java-5.1.34.jar
1
2
3
[hadoop@hadoop bin]$ ./spark-sql 
Spark assembly has been built with Hive, including Datanucleus jars on classpath 
SET spark.sql.hive.version=0.13.1

提示编译的时候要带2个参数

重新编译:./make-distribution.sh --tgz -Phadoop-2.4 -Pyarn -DskipTests -Dhadoop.version=2.4.1 -Phive -Phive-thriftserver

在Spark-default中已经指定

 

创建表

1
2
3
spark-sql> create table word6 (id int,word string) row format delimited fields terminated by ‘,‘ stored as textfile ;  
OK 
Time taken: 10.852 seconds 

 导入数据

1
2
3
4
5
6
7
spark-sql> load data local inpath ‘/home/hadoop/word.txt‘ into table word6
Copying data from file:/home/hadoop/word.txt 
Copying file: file:/home/hadoop/word.txt 
Loading data to table default.word6 
Table default.word6 stats: [numFiles=1, numRows=0, totalSize=31, rawDataSize=0
OK 
Time taken: 2.307 seconds

 与其他数据源联合查询

1
select * from src join jdbcmysql on (src.key=jdbcmysql.id);

2.Spark-shell方式 

1
sqlContext.sql("select count(*) from hive_people").show()

  

4.将dataframe数据写入Hive分区表

DataFrame将数据写入hive中时,默认的是hive默认数据库,insertInto没有指定数据库的参数,使用下面方式将数据写入hive表或者hive表的分区中。

1、将DataFrame数据写入到Hive表中

从DataFrame类中可以看到与hive表有关的写入Api有以下几个:

1
2
3
4
registerTempTable(tableName: String): Unit,
insertInto(tableName: String): Unit
insertInto(tableName: String, overwrite: Boolean): Unit
saveAsTable(tableName: String, source: String, mode: [size=13.3333320617676px]SaveMode, options: Map[String, String]): Unit

还有很多重载函数,不一一列举

registerTempTable函数是创建spark临时表

insertInto函数是向表中写入数据,可以看出此函数不能指定数据库和分区等信息,不可以直接进行写入。

向hive数据仓库写入数据必须指定数据库,hive数据表建立可以在hive上建立,或者使用hiveContext.sql(“create table ....")

 

下面语句是向指定数据库数据表中写入数据:

1
2
3
4
5
6
7
case class Person(name:String,col1:Int,col2:String) 
val sc = new org.apache.spark.SparkContext    
val hiveContext = new org.apache.spark.sql.hive.HiveContext(sc) 
import hiveContext.implicits._ 
hiveContext.sql("use DataBaseName"
val data=sc.textFile("path").map(x=>x.split("\\\\s+")).map(x=>Person(x(0),x(1).toInt,x(2)))<br>data.toDF()
insertInto("tableName")

创建一个case类将RDD中数据类型转为case类型,然后通过toDF转换为DataFrame,调用insertInto函数时,首先指定数据库,使用的是hiveContext.sql("use DataBaseName")语句,就可以将DataFrame数据写入hive数据表中了

 

2、将DataFrame数据写入hive指定数据表的分区中

hive数据表建立可以在hive上建立,或者使用hiveContext.sql(“create table ...."),使用saveAsTable时数据存储格式有限,默认格式为parquet,可以指定为json,如果有其他格式指定,尽量使用语句来建立hive表。

将数据写入分区表的思路是:首先将DataFrame数据写入临时表,之后是由hiveContext.sql语句将数据写入hive分区表中。具体操作如下:

1
2
3
4
5
6
7
8
case class Person(name:String,col1:Int,col2:String) 
val sc = new org.apache.spark.SparkContext    
val hiveContext = new org.apache.spark.sql.hive.HiveContext(sc) 
import hiveContext.implicits._ 
hiveContext.sql("use DataBaseName"
val data = sc.textFile("path").map(x=>x.split("\\\\s+")).map(x=>Person(x(0),x(1).toInt,x(2))) 
data.toDF().registerTempTable("table1"
hiveContext.sql("insert into table2 partition(date=‘2015-04-02‘) select name,col1,col2 from table1")


使用以上方式就可以将dataframe数据写入hive分区表了。



以上是关于spark连数据库的主要内容,如果未能解决你的问题,请参考以下文章

学习 Spark Streaming

spark关于join后有重复列的问题(org.apache.spark.sql.AnalysisException: Reference '*' is ambiguous)(代码片段

使用java将oracle数据库连接到apache spark时出错

从 Spark 连接到 BigTable 时出现 Jetty ALPN/NPN 异常,scala 代码

Spark闭包与序列化

从PyCharm连接到运行Spark-Session