Spark——JDBC操作MySQL_spark mysql

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

1. 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：

   /*此为代码格式，实际中使用应替换相应字段中的内容*/
   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
   1
   2
   3
   4
   5
   6
   7

2. 根据Long类型字段分区

   /*此为代码格式，实际中使用应替换相应字段中的内容*/
   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
   1
   2
   3
   4
   5
   6
   7
   8
   9

   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：

   /*此为代码格式，实际中使用应替换相应字段中的内容*/
   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")
   1
   2
   3
   4
   5
   6
   7
   8
   9
   10
   11

   将字段 colName 中发 1~10000000 条数据分区到 10 个 Partition 中。

3. 根据任意类型字段分区

   /*此为代码格式，实际中使用应替换相应字段中的内容*/
   jdbc(
   url: String,
   table: String,
   predicates: Array[String],
   connectionProperties: Properties): DataFrame
   1
   2
   3
   4
   5
   6

   以下使用时间字段进行分区：

   /*此为代码格式，实际中使用应替换相应字段中的内容*/
   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")
   /**
   * 将 9 月 16-12 月 15 三个月的数据取出，按时间分为 6 个 partition
   * 为了减少事例代码，这里的时间都是写死的
   * modified_time 为时间字段
   */
   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'"
   }
   1
   2
   3
   4
   5
   6
   7
   8
   9
   10
   11
   12
   13
   14
   15
   16
   17
   18
   19
   20
   21
   22
   23
   24
   25

   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
1
2
3
4
5

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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17