pyspark是Spark對(duì)Python的api接口，可以在Python環(huán)境中通過(guò)調(diào)用pyspark模塊來(lái)操作spark，完成大數(shù)據(jù)框架下的數(shù)據(jù)分析與挖掘。其中，數(shù)據(jù)的讀寫(xiě)是基礎(chǔ)操作，pyspark的子模塊pyspark.sql 可以完成大部分類(lèi)型的數(shù)據(jù)讀寫(xiě)。文本介紹在pyspark中讀寫(xiě)Mysql數(shù)據(jù)庫(kù)。

1 軟件版本

在Python中使用Spark，需要安裝配置Spark，這里跳過(guò)配置的過(guò)程，給出運(yùn)行環(huán)境和相關(guān)程序版本信息。

• win10 64bit
• java 13.0.1
• spark 3.0
• python 3.8
• pyspark 3.0
• pycharm 2019.3.4

2 環(huán)境配置

pyspark連接Mysql是通過(guò)java實(shí)現(xiàn)的，所以需要下載連接Mysql的jar包。

下載地址

選擇下載Connector/J，然后選擇操作系統(tǒng)為Platform Independent，下載壓縮包到本地。

然后解壓文件，將其中的jar包mysql-connector-java-8.0.19.jar放入spark的安裝目錄下，例如D:\spark\spark-3.0.0-preview2-bin-hadoop2.7\jars。

環(huán)境配置完成！

3 讀取Mysql

腳本如下：

from pyspark.sql import SQLContext, SparkSession

if __name__ == '__main__':
  # spark 初始化
  spark = SparkSession. \
    Builder(). \
    appName('sql'). \
    master('local'). \
    getOrCreate()
  # mysql 配置(需要修改)
  prop = {'user': 'xxx', 
      'password': 'xxx', 
      'driver': 'com.mysql.cj.jdbc.Driver'}
  # database 地址(需要修改)
  url = 'jdbc:mysql://host:port/database'
  # 讀取表
  data = spark.read.jdbc(url=url, table='tb_newCity', properties=prop)
  # 打印data數(shù)據(jù)類(lèi)型
  print(type(data))
  # 展示數(shù)據(jù)
  data.show()
  # 關(guān)閉spark會(huì)話(huà)
  spark.stop()

• 注意點(diǎn)：
• prop參數(shù)需要根據(jù)實(shí)際情況修改，文中用戶(hù)名和密碼用xxx代替了，driver參數(shù)也可以不需要；
• url參數(shù)需要根據(jù)實(shí)際情況修改，格式為jdbc:mysql://主機(jī):端口/數(shù)據(jù)庫(kù)；
• 通過(guò)調(diào)用方法read.jdbc進(jìn)行讀取，返回的數(shù)據(jù)類(lèi)型為spark DataFrame；

運(yùn)行腳本，輸出如下：

4 寫(xiě)入Mysql

腳本如下：

import pandas as pd
from pyspark import SparkContext
from pyspark.sql import SQLContext, Row

if __name__ == '__main__':
  # spark 初始化
  sc = SparkContext(master='local', appName='sql')
  spark = SQLContext(sc)
  # mysql 配置(需要修改)
  prop = {'user': 'xxx',
      'password': 'xxx',
      'driver': 'com.mysql.cj.jdbc.Driver'}
  # database 地址(需要修改)
  url = 'jdbc:mysql://host:port/database'

  # 創(chuàng)建spark DataFrame
  # 方式1：list轉(zhuǎn)spark DataFrame
  l = [(1, 12), (2, 22)]
  # 創(chuàng)建并指定列名
  list_df = spark.createDataFrame(l, schema=['id', 'value']) 
  
  # 方式2：rdd轉(zhuǎn)spark DataFrame
  rdd = sc.parallelize(l) # rdd
  col_names = Row('id', 'value') # 列名
  tmp = rdd.map(lambda x: col_names(*x)) # 設(shè)置列名
  rdd_df = spark.createDataFrame(tmp) 
  
  # 方式3：pandas dataFrame 轉(zhuǎn)spark DataFrame
  df = pd.DataFrame({'id': [1, 2], 'value': [12, 22]})
  pd_df = spark.createDataFrame(df)

  # 寫(xiě)入數(shù)據(jù)庫(kù)
  pd_df.write.jdbc(url=url, table='new', mode='append', properties=prop)
  # 關(guān)閉spark會(huì)話(huà)
  sc.stop()

注意點(diǎn)：

prop和url參數(shù)同樣需要根據(jù)實(shí)際情況修改；

寫(xiě)入數(shù)據(jù)庫(kù)要求的對(duì)象類(lèi)型是spark DataFrame，提供了三種常見(jiàn)數(shù)據(jù)類(lèi)型轉(zhuǎn)spark DataFrame的方法；

通過(guò)調(diào)用write.jdbc方法進(jìn)行寫(xiě)入，其中的model參數(shù)控制寫(xiě)入數(shù)據(jù)的行為。

5 常見(jiàn)報(bào)錯(cuò)

Access denied for user …

原因：mysql配置參數(shù)出錯(cuò)
解決辦法：檢查user,password拼寫(xiě)，檢查賬號(hào)密碼是否正確，用其他工具測(cè)試mysql是否能正常連接，做對(duì)比檢查。

No suitable driver

原因：沒(méi)有配置運(yùn)行環(huán)境
解決辦法：下載jar包進(jìn)行配置，具體過(guò)程參考本文的2 環(huán)境配置。

到此這篇關(guān)于pyspark對(duì)Mysql數(shù)據(jù)庫(kù)進(jìn)行讀寫(xiě)的實(shí)現(xiàn)的文章就介紹到這了,更多相關(guān)pyspark Mysql讀寫(xiě)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論