SpringBoot使用Spark过程详解

前提： 可以参考文章 SpringBoot 接入 Spark

• SpringBoot 已经接入 Spark

• 已配置 JavaSparkContext

• 已配置 SparkSession

@Resource
private SparkSession sparkSession;
@Resource
private JavaSparkContext javaSparkContext;

读取 txt 文件

测试文件 word.txt

java 代码

• textFile：获取文件内容，返回 JavaRDD

• flatMap：过滤数据

• mapToPair：把每个元素都转换成一个<K,V>类型的对象，如 <123,1>,<456,1>

• reduceByKey：对相同key的数据集进行预聚合

public void testSparkText() {
   String file = "D:\\TEMP\\word.txt";
   JavaRDD<String> fileRDD =  javaSparkContext.textFile(file);
   JavaRDD<String> wordsRDD = fileRDD.flatMap(line -> Arrays.asList(line.split(" ")).iterator());
   JavaPairRDD<String, Integer> wordAndOneRDD = wordsRDD.mapToPair(word -> new Tuple2<>(word, 1));
   JavaPairRDD<String, Integer> wordAndCountRDD = wordAndOneRDD.reduceByKey((a, b) -> a + b);
   //输出结果
   List<Tuple2<String, Integer>> result = wordAndCountRDD.collect();
   result.forEach(System.out::println);
}

结果得出，123 有 3 个，456 有 2 个，789 有 1 个

读取 csv 文件

测试文件 testcsv.csv

java 代码

public void testSparkCsv() {
   String file = "D:\\TEMP\\testcsv.csv";
   JavaRDD<String> fileRDD = javaSparkContext.textFile(file);
   JavaRDD<String> wordsRDD = fileRDD.flatMap(line -> Arrays.asList(line.split(",")).iterator());
   //输出结果
   System.out.println(wordsRDD.collect());
}

输出结果

读取 MySQL 数据库表

• format：获取数据库建议是 jdbc

• option.url：添加 MySQL 连接 url

• option.user：MySQL 用户名

• option.password：MySQL 用户密码

• option.dbtable：sql 语句

• option.driver：数据库 driver，MySQL 使用 com.mysql.cj.jdbc.Driver

public void testSparkMysql() throws IOException {
   Dataset<Row> jdbcDF = sparkSession.read()
           .format("jdbc")
           .option("url", "jdbc:mysql://192.168.140.1:3306/user?useUnicode=true&characterEncoding=UTF-8&serverTimezone=Asia/Shanghai")
           .option("dbtable", "(SELECT * FROM xxxtable) tmp")
           .option("user", "root")
           .option("password", "xxxxxxxxxx*k")
           .option("driver", "com.mysql.cj.jdbc.Driver")
           .load();
   jdbcDF.printSchema();
   jdbcDF.show();
   //转化为RDD
   JavaRDD<Row> rowJavaRDD = jdbcDF.javaRDD();
   System.out.println(rowJavaRDD.collect());
}

也可以把表内容输出到文件，添加以下代码

List<Row> list = rowJavaRDD.collect();
BufferedWriter bw;
bw = new BufferedWriter(new FileWriter("d:/test.txt"));
for (int j = 0; j < list.size(); j++) {
   bw.write(list.get(j).toString());
   bw.newLine();
   bw.flush();
}
bw.close();

结果输出

读取 Json 文件

测试文件 testjson.json，内容如下

[{
"name": "name1",
"age": "1"
}, {
"name": "name2",
"age": "2"
}, {
"name": "name3",
"age": "3"
}, {
"name": "name4",
"age": "4"
}]

注意：testjson.json 文件的内容不能带格式，需要进行压缩

java 代码

• createOrReplaceTempView：读取 json 数据后，创建数据表 t

• sparkSession.sql：使用 sql 对 t 进行查询，输出 age 大于 3 的数据

public void testSparkJson() {
   Dataset<Row> df = sparkSession.read().json("D:\\TEMP\\testjson.json");
   df.printSchema();
   df.createOrReplaceTempView("t");
   Dataset<Row> row = sparkSession.sql("select age,name from t where age > 3");
   JavaRDD<Row> rowJavaRDD = row.javaRDD();
   System.out.println(rowJavaRDD.collect());
}

输出结果

中文输出乱码

测试文件 testcsv.csv

public void testSparkCsv() {
   String file = "D:\\TEMP\\testcsv.csv";
   JavaRDD<String> fileRDD = javaSparkContext.textFile(file);
   JavaRDD<String> wordsRDD = fileRDD.flatMap(line -> Arrays.asList(line.split(",")).iterator());
   //输出结果
   System.out.println(wordsRDD.collect());
}

输出结果，发现中文乱码，可恶

原因：textFile 读取文件没有解决乱码问题，但 sparkSession.read() 却不会乱码

解决办法：获取文件方式由 textFile 改成 hadoopFile，由 hadoopFile 指定具体编码

public void testSparkCsv() {
       String file = "D:\\TEMP\\testcsv.csv";
       String code = "gbk";
       JavaRDD<String> gbkRDD = javaSparkContext.hadoopFile(file, TextInputFormat.class, LongWritable.class, Text.class).map(p -> new String(p._2.getBytes(), 0, p._2.getLength(), code));
       JavaRDD<String> gbkWordsRDD = gbkRDD.flatMap(line -> Arrays.asList(line.split(",")).iterator());
       //输出结果
       System.out.println(gbkWordsRDD.collect());
   }

输出结果

来源：https://blog.csdn.net/weixin_42555971/article/details/129008012