我想知道如何在scala中执行以下操作?
使用Spark scala连接到postgreSQL数据库.
编写SELECT,UPDATE等SQL查询来修改该数据库中的表.
我知道使用scala但是如何在打包时将psql scala的连接器jar导入到sbt中?
我们的目标是从Spark工作者运行并行SQL查询.
将连接器和JDBC添加到libraryDependencies
中build.sbt
.我只用MySQL试过这个,所以我会在我的例子中使用它,但Postgres应该是一样的.
libraryDependencies ++= Seq( jdbc, "mysql" % "mysql-connector-java" % "5.1.29", "org.apache.spark" %% "spark-core" % "1.0.1", // etc )
在创建时,SparkContext
告诉它要将哪些罐子复制到执行器.包括连接器jar.一个好看的方式来做到这一点:
val classes = Seq( getClass, // To get the jar with our own code. classOf[mysql.jdbc.Driver] // To get the connector. ) val jars = classes.map(_.getProtectionDomain().getCodeSource().getLocation().getPath()) val conf = new SparkConf().setJars(jars)
现在Spark已准备好连接到数据库.每个执行程序都将运行部分查询,以便结果可以进行分布式计算.
有两种选择.较旧的方法是使用org.apache.spark.rdd.JdbcRDD
:
val rdd = new org.apache.spark.rdd.JdbcRDD( sc, () => { sql.DriverManager.getConnection("jdbc:mysql://mysql.example.com/?user=batman&password=alfred") }, "SELECT * FROM BOOKS WHERE ? <= KEY AND KEY <= ?", 0, 1000, 10, row => row.getString("BOOK_TITLE") )
查看参数文档.简述:
你有SparkContext
.
然后是一个创建连接的函数.这将在每个worker上调用以连接到数据库.
然后是SQL查询.这必须与示例类似,并包含起始键和结束键的占位符.
然后指定键的范围(在我的示例中为0到1000)和分区数.范围将在分区之间划分.因此,一个执行程序线程将最终SELECT * FROM FOO WHERE 0 <= KEY AND KEY <= 100
在示例中执行.
最后我们有一个功能可以转换ResultSet
为某些东西.在示例中,我们将其转换为a String
,因此您最终会得到一个RDD[String]
.
自Apache Spark版本1.3.0起,另一种方法可通过DataFrame API获得.而不是JdbcRDD
你会创建一个org.apache.spark.sql.DataFrame
:
val df = sqlContext.load("jdbc", Map( "url" -> "jdbc:mysql://mysql.example.com/?user=batman&password=alfred", "dbtable" -> "BOOKS"))
有关选项的完整列表,请参阅https://spark.apache.org/docs/1.3.1/sql-programming-guide.html#jdbc-to-other-databases(可以设置密钥范围和分区数量)喜欢JdbcRDD
).
JdbcRDD
不支持更新.但你可以简单地做到foreachPartition
.
rdd.foreachPartition { it => val conn = sql.DriverManager.getConnection("jdbc:mysql://mysql.example.com/?user=batman&password=alfred") val del = conn.prepareStatement("DELETE FROM BOOKS WHERE BOOK_TITLE = ?") for (bookTitle <- it) { del.setString(1, bookTitle) del.executeUpdate } }
(这会为每个分区创建一个连接.如果这是一个问题,请使用连接池!)
DataFrame
通过createJDBCTable
和insertIntoJDBC
方法支持更新.