在scala中使用spark sql解决特定需求（2）

小鱼儿 2022-06-12 10:37 89阅读 0赞

接着上篇文章，本篇来看下如何在scala中完成使用spark sql将不同日期的数据导入不同的es索引里面。

首下看下用到的依赖包有哪些：

elasticsearch-spark-20_2.11   5.3.2
    elasticsearch                 2.3.4
    spark-sql_2.11                2.1.0
    spark-hive_2.11               2.1.0
    spark-core_2.11               2.1.0
    hadoop-client                 2.7.3
    scala-library                 2.11.8

下面看相关的代码，代码可直接在跑在win上的idea中，使用的是local模式，数据是模拟造的：

import org.apache.spark.sql.types.{DataTypes, StructField}
    import org.apache.spark.sql.{Row, SparkSession}//导入Row对象
    
    /**
      * spark sql to es 本地测试例子
      */
    object SparkGroupES {
    
    
      def main(args: Array[String]): Unit = {
    
        //构建spark session
        val spark = SparkSession
          .builder().master("local[1]")
          .appName("Spark SQL basic example")
          .config("es.nodes","192.168.10.125").config("es.port","9200")
          .getOrCreate()
    
        //导入es-spark的包
        import org.elasticsearch.spark.sql._
        import spark.implicits._
    
    
        //使用Seq造数据，四列数据
        val df = spark.sparkContext.parallelize(Seq(
          (0,"p1",30.9,"2017-03-04"),
          (0,"u",22.1,"2017-03-05"),
          (1,"r",19.6,"2017-03-04"),
          (2,"cat40",20.7,"2017-03-05"),
          (3,"cat187",27.9,"2017-03-04"),
          (4,"cat183",11.3,"2017-03-06"),
          (5,"cat8",35.6,"2017-03-08"))
    
         ).toDF("id", "name", "price","dt")//转化df的四列数据s
        //创建表明为pro
        df.createTempView("pro")
    
        import spark.sql //导入sql函数
    
        //按照id分组，统计每组数量，统计每组里面最小的价格，然后收集每组里面的数据
        val ds=sql("select dt, count(*) as c ,collect_list(struct(id,name, price)) as res  from pro   group by dt ")
        //需要多次查询的数据，可以缓存起来
        ds.cache()
        //获取查询的结果，遍历获取结果集
        ds.select("dt","c","res").collect().foreach(line=>{
          val dt=line.getAs[String]("dt") //获取日期
          val count=line.getAs[Long]("c")//获取数量
          val value=line.getAs[Seq[Row]]("res")//获取每组内的数据集合，注意是一个Row实体
          println("日期："+dt+" 销售数量： "+count)
    
          //创建一个schema针对struct结构
          val schema = DataTypes
            .createStructType( Array[StructField](
              DataTypes.createStructField("id", DataTypes.IntegerType, false), //不允许为null
              DataTypes.createStructField("name", DataTypes.StringType, true),
              DataTypes.createStructField("price", DataTypes.DoubleType, true)
            ))
            //将value转化成rdd
            val rdd=spark.sparkContext.makeRDD(value)
            //将rdd注册成DataFrame
            val df =spark.createDataFrame(rdd,schema)
            //保存每一个分组的数据到es索引里面
            EsSparkSQL.saveToEs(df,"spark"+dt+"/spark",Map("es.mapping.id" -> "id"))
    //      value.foreach(row=>{//遍历组内数据集合，然后打印
    //        println(row.getAs[String]("name")+" "+row.getAs[Double]("price"))
    //      })
    
        })
        println("索引成功")
        spark.stop()
      }
    
    }

分析下，代码执行过程：

（1）首先创建了一个SparkSession对象，注意这是新版本的写法，然后加入了es相关配置

（2）导入了隐式转化的es相关的包

（3）通过Seq+Tuple创建了一个DataFrame对象，并注册成一个表

（4）导入spark sql后，执行了一个sql分组查询

（5）获取每一组的数据

（6）处理组内的Struct结构

（7）将组内的Seq\[Row\]转换为rdd，最终转化为df

（8）执行导入es的方法，按天插入不同的索引里面

（9）结束

需要注意的是必须在执行collect方法后，才能在循环内使用sparkContext，否则会报错的，在服务端是不能使用sparkContext的，只有在Driver端才可以。