JDBC操作MySQL
在实际的企业级开发环境中，如果数据规模特S别大，此时采用传统的SQL语句去处理的话一般需要分成很多批次处理，而且很容易造成数据库服务宕机，且实际的处理过程可能会非常复杂，通过传统的Java EE等技术可能很难或者不方便实现处理算法，此时采用SparkSQL进行分布式分析处理就可以非常好的解决该问题，在生产环境下，一般会在Spark SQL和具体要操作的DB之间加上一个缓冲层次，例如中间使用Redis或者Kafka。
Spark SQL可以通过JDBC从传统的关系型数据库中读写数据，读取数据后直接生成的是DataFrame，然后再加上借助于Spark SQL丰富的API来进行各种操作。从计算数据规模的角度去讲，集群并行访问数据库数据，调用Data Frame Reader的Format（“JDBC”）的方式说明Spark SQL操作的数据来源是通过JDBC获得，JDBC后端一般都是数据库，例如MySQL、Oracle等。
JDBC读取数据方式
单Partition(无并发)
调用函数格式：def jdbc(url: String, table: String, properties: Properties): DataFrame
- url：代表数据库的JDBC链接地址；
- table：具体要链接的数据库；
这种方法是将所有的数据放在一个Partition中进行操作（即并发度为1），意味着无论给的资源有多少，只有一个Task会执行任务，执行效率比较慢，并且容易出现OOM。使用如下，在spark-shell中执行：
val url = "jdbc:mysql://localhost:/database"
val tableName = "table"
// 设置连接用户&密码
val prop = new java.util.Properties
prop.setProperty("user","username") //实际使用中替换username为相应的用户名
prop.setProperty("password","pwd") //实际使用中替换pwd为相应的密码
根据Long类型字段分区
def jdbc(
url: String,
table: String,
columnName: String, // 根据该字段分区，需要为整型，比如 id 等
lowerBound: Long, // 分区的下界
upperBound: Long, // 分区的上界
numPartitions: Int, //分区的个数
connectionProperties: Properties): DataFrame
根据字段将数据进行分区，放进不同的Partition中，执行效率较快，但是只能根据数据字段作为分区关键字。使用如下：
val url = "jdbc:mysql://mysqlHost:3306/database"
val tableName = "table"
val columnName = "colName"
val lowerBound = 1,
val upperBound = 10000000,
val numPartitions = 10,
// 设置连接用户&密码
val prop = new java.util.Properties
prop.setProperty("user","username")
prop.setProperty("password","pwd")
将字段 colName 中发 1~10000000 条数据分区到 10 个 Partition 中。
根据任意类型字段分区
jdbc(
url: String,
table: String,
predicates: Array[String],
connectionProperties: Properties): DataFrame
以下使用时间字段进行分区：
val url = "jdbc:mysql://mysqlHost:3306/database"
val tableName = "table"
// 设置连接用户&密码
val prop = new java.util.Properties
prop.setProperty("user","username")
prop.setProperty("password","pwd")
val predicates =
Array(
"2015-09-16" -> "2015-09-30",
"2015-10-01" -> "2015-10-15",
"2015-10-16" -> "2015-10-31",
"2015-11-01" -> "2015-11-14",
"2015-11-15" -> "2015-11-30",
"2015-12-01" -> "2015-12-15"
).map {
case (start, end) =>
s"cast(modified_time as date) >= date '$start' " + s"AND cast(modified_time
as date) <= date '$end'"
}
这种方法可以使用任意字段进行分区，比较灵活，适用于各种场景。以MySQL 3000W数据量为例，如果单分区count，若干分钟就会报OOM；如果分成5~20个分区后，count操作只需要2s，效率会明显提高，这里就凸显出JDBC高并发的优势。Spark高并发度可以大幅度提高读取以及处理数据的速度，但是如果设置过高(大量的Partition同时读取)也可能会将数据源数据库宕掉。
JDBC读取MySQL数据
下面来进行实际操作，首先需要配置MySQL
- 免密登陆：
mysql -uroot - 查看数据库：
show databases; - 使用MySQL数据库：
use mysql;
修改表格的权限，目的是为了使其他主机可以远程连接 MySQL，通过此命令可以查看访问用户允许的主机名。
- 查看所有用户及其host：
select host, user from user; - 将相应用户数据表中的host字段改成’%'：
update user set host="%" where user="root"; - 刷新修改权限
flush privileges;
通过命令修改host为%，表示任意IP地址都可以登录。出现ERROR 1062 (23000): Duplicate entry '%-root' for key 'PRIMARY'，是因为 user+host 是主键，不能重复，可以不用理会。也可通过以下命令删除user 为空的内容来解决：delete from user where user='';。
在MySQL创建数据库和表格，插入数据，查看：
create database test; //创建数据库test
use test; //进入数据库test
create table people( name varchar(12), age int); //创建表格people并构建结构
insert into people values ("Andy",30),("Justin",19),("Dela",25),("Magi",20),("Pule",21),("Mike",12); //向people表中插入数据
select * from people; //输出people表中全部数据
编写代码读取MySQL表中数据：
//导入依赖环境
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.sql.{DataFrame, SQLContext}
import java.util.Properties
val url = "jdbc:mysql://localhost/test" //MySQL地址及数据库
val username = "root" //用户名
val sqlContext = new SQLContext(sc)
sc.setLogLevel("WARN")
val uri = url + "?user=" + username + "&useUnicode=true&characterEncoding=UTF-8" //设置读取路径及用户名
val properties = new Properties() //创建JDBC连接信息
properties.put("user","root")
properties.put("driver", "com.mysql.jdbc.Driver")
val df_test: DataFrame = spark.sqlContext.read.jdbc(uri, "people", properties) //读取数据
df_test.select("name","age").collect().foreach(row => { //输出数据
println("name " + row(0) + ", age" + row(1))
})
df_test.write.mode("append").jdbc(uri,"people",properties) //向people表中写入读出的数据，相当于people表中有两份一样的数据
到此这篇关于Spark JDBC操作MySQL方式详细讲解的文章就介绍到这了,更多相关Spark JDBC操作MySQL内容请搜索编程网以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程网！
