Intellj IDEA +SBT + Scala + Spark Sql读取HDFS数据

前提Spark集群已经搭建完毕,如果不知道怎么搭建，请参考这个链接：
http://qindongliang.iteye.com/blog/2224797

注意提交作业，需要使用sbt打包成一个jar，然后在主任务里面添加jar包的路径远程提交即可，无须到远程集群上执行测试，本次测试使用的是Spark的Standalone方式

sbt依赖如下：

Java代码  

1. name := "spark-hello"  
2.   
3. version := "1.0"  
4.   
5. scalaVersion := "2.11.7"  
6. //使用公司的私服  
7. resolvers += "Local Maven Repository" at "http://dev.bizbook-inc.com:8083/nexus/content/groups/public/"  
8. //使用内部仓储  
9. externalResolvers := Resolver.withDefaultResolvers(resolvers.value, mavenCentral = false)  
10. //Hadoop的依赖  
11. libraryDependencies += "org.apache.hadoop" % "hadoop-client" % "2.7.1"  
12. //Spark的依赖  
13. libraryDependencies += "org.apache.spark" % "spark-core_2.11" % "1.4.1"  
14. //Spark SQL 依赖  
15. libraryDependencies += "org.apache.spark" % "spark-sql_2.11" % "1.4.1"  
16. //java servlet 依赖  
17. libraryDependencies += "javax.servlet" % "javax.servlet-api" % "3.0.1"  
18.       

name := "spark-hello"version := "1.0"scalaVersion := "2.11.7"
//使用公司的私服
resolvers += "Local Maven Repository" at "http://dev.bizbook-inc.com:8083/nexus/content/groups/public/"
//使用内部仓储
externalResolvers := Resolver.withDefaultResolvers(resolvers.value, mavenCentral = false)
//Hadoop的依赖
libraryDependencies += "org.apache.hadoop" % "hadoop-client" % "2.7.1"
//Spark的依赖
libraryDependencies += "org.apache.spark" % "spark-core_2.11" % "1.4.1"
//Spark SQL 依赖
libraryDependencies += "org.apache.spark" % "spark-sql_2.11" % "1.4.1"
//java servlet 依赖
libraryDependencies += "javax.servlet" % "javax.servlet-api" % "3.0.1"

demo1：使用Scala读取HDFS的数据：

Java代码  

1. /** * 
2.    * Spark读取来自HDFS的数据 
3.    */  
4. ef readDataFromHDFS(): Unit ={  
5.    //以standalone方式运行,提交到远程的spark集群上面  
6.    val conf = new SparkConf().setMaster("spark://h1:7077").setAppName("load hdfs data")  
7.    conf.setJars(Seq(jarPaths));  
8.    //得到一个Sprak上下文  
9.    val sc = new SparkContext(conf)  
10.    val textFile=sc.textFile("hdfs://h1:8020/user/webmaster/crawldb/etl_monitor/part-m-00000")  
11.    //获取第一条数据  
12.    //val data=textFile.first()  
13.   // println(data)  
14.    //遍历打印  
15.      /** 
16.       * collect() 方法 游标方式迭代收集每行数据 
17.       * take(5)   取前topN条数据 
18.       * foreach() 迭代打印 
19.       * stop()    关闭链接 
20.       */  
21.   textFile.collect().take(5).foreach( line => println(line) )  
22.    //关闭资源  
23.    sc.stop()  

 /** ** Spark读取来自HDFS的数据*/
def readDataFromHDFS(): Unit ={//以standalone方式运行,提交到远程的spark集群上面val conf = new SparkConf().setMaster("spark://h1:7077").setAppName("load hdfs data")conf.setJars(Seq(jarPaths));//得到一个Sprak上下文val sc = new SparkContext(conf)val textFile=sc.textFile("hdfs://h1:8020/user/webmaster/crawldb/etl_monitor/part-m-00000")//获取第一条数据//val data=textFile.first()// println(data)//遍历打印/*** collect() 方法 游标方式迭代收集每行数据* take(5)   取前topN条数据* foreach() 迭代打印* stop()    关闭链接*/textFile.collect().take(5).foreach( line => println(line) )//关闭资源sc.stop()
}

demo2：使用Scala 在客户端造数据，测试Spark Sql：

Java代码  

1. def mappingLocalSQL1() {  
2.    val conf = new SparkConf().setMaster("spark://h1:7077").setAppName("hdfs data count")  
3.    conf.setJars(Seq(jarPaths));  
4.    val sc = new SparkContext(conf)  
5.    val sqlContext=new SQLContext(sc);  
6.    //导入隐式sql的schema转换  
7.    import sqlContext.implicits._  
8.    val df = sc.parallelize((1 to 100).map(i => Record(i, s"val_$i"))).toDF()  
9.    df.registerTempTable("records")  
10.    println("Result of SELECT *:")  
11.    sqlContext.sql("SELECT * FROM records").collect().foreach(println)  
12.    //聚合查询  
13.    val count = sqlContext.sql("SELECT COUNT(*) FROM records").collect().head.getLong(0)  
14.    println(s"COUNT(*): $count")  
15.    sc.stop()  
16.  }  

 def mappingLocalSQL1() {val conf = new SparkConf().setMaster("spark://h1:7077").setAppName("hdfs data count")conf.setJars(Seq(jarPaths));val sc = new SparkContext(conf)val sqlContext=new SQLContext(sc);//导入隐式sql的schema转换import sqlContext.implicits._val df = sc.parallelize((1 to 100).map(i => Record(i, s"val_$i"))).toDF()df.registerTempTable("records")println("Result of SELECT *:")sqlContext.sql("SELECT * FROM records").collect().foreach(println)//聚合查询val count = sqlContext.sql("SELECT COUNT(*) FROM records").collect().head.getLong(0)println(s"COUNT(*): $count")sc.stop()}

Spark SQL 映射实体类的方式读取HDFS方式和字段，注意在Scala的Objcet最上面有个case 类定义，一定要放在
这里，不然会出问题：




demo2：使用Scala 远程读取HDFS文件，并映射成Spark表，以Spark Sql方式，读取top10：

Java代码  

1.  val jarPaths="target/scala-2.11/spark-hello_2.11-1.0.jar"  
2.   /**Spark SQL映射的到实体类的方式**/  
3.   def mapSQL2(): Unit ={  
4.     //使用一个类，参数都是可选类型,如果没有值，就默认为NULL  
5.     //SparkConf指定master和任务名  
6.     val conf = new SparkConf().setMaster("spark://h1:7077").setAppName("spark sql query hdfs file")  
7.     //设置上传需要jar包  
8.     conf.setJars(Seq(jarPaths));  
9.     //获取Spark上下文  
10.     val sc = new SparkContext(conf)  
11.     //得到SQL上下文  
12.     val sqlContext=new SQLContext(sc);  
13.     //必须导入此行代码，才能隐式转换成表格  
14.     import sqlContext.implicits._  
15.     //读取一个hdfs上的文件，并根据某个分隔符split成数组  
16.     //然后根据长度映射成对应字段值，并处理数组越界问题  
17.     val model=sc.textFile("hdfs://h1:8020/user/webmaster/crawldb/etl_monitor/part-m-00000").map(_.split("\1"))  
18.       .map( p =>  ( if (p.length==4) Model(Some(p(0)), Some(p(1)), Some(p(2)), Some(p(3).toLong))  
19.     else if (p.length==3) Model(Some(p(0)), Some(p(1)), Some(p(2)),None)  
20.     else if (p.length==2) Model(Some(p(0)), Some(p(1)),None,None)  
21.     else   Model( Some(p(0)),None,None,None )  
22.       )).toDF()//转换成DF  
23.     //注册临时表  
24.     model.registerTempTable("monitor")  
25.     //执行sql查询  
26.     val it = sqlContext.sql("SELECT rowkey,title,dtime FROM monitor  limit 10 ")  
27. //    val it = sqlContext.sql("SELECT rowkey,title,dtime FROM monitor WHERE title IS  NULL AND dtime IS NOT NULL      ")  
28.       println("开始")  
29.       it.collect().take(8).foreach(line => println(line))  
30.       println("结束")  
31.     sc.stop();  
32.   }  

 val jarPaths="target/scala-2.11/spark-hello_2.11-1.0.jar"/**Spark SQL映射的到实体类的方式**/def mapSQL2(): Unit ={//使用一个类，参数都是可选类型,如果没有值，就默认为NULL//SparkConf指定master和任务名val conf = new SparkConf().setMaster("spark://h1:7077").setAppName("spark sql query hdfs file")//设置上传需要jar包conf.setJars(Seq(jarPaths));//获取Spark上下文val sc = new SparkContext(conf)//得到SQL上下文val sqlContext=new SQLContext(sc);//必须导入此行代码，才能隐式转换成表格import sqlContext.implicits._//读取一个hdfs上的文件，并根据某个分隔符split成数组//然后根据长度映射成对应字段值，并处理数组越界问题val model=sc.textFile("hdfs://h1:8020/user/webmaster/crawldb/etl_monitor/part-m-00000").map(_.split("\1")).map( p =>  ( if (p.length==4) Model(Some(p(0)), Some(p(1)), Some(p(2)), Some(p(3).toLong))else if (p.length==3) Model(Some(p(0)), Some(p(1)), Some(p(2)),None)else if (p.length==2) Model(Some(p(0)), Some(p(1)),None,None)else   Model( Some(p(0)),None,None,None ))).toDF()//转换成DF//注册临时表model.registerTempTable("monitor")//执行sql查询val it = sqlContext.sql("SELECT rowkey,title,dtime FROM monitor  limit 10 ")
//    val it = sqlContext.sql("SELECT rowkey,title,dtime FROM monitor WHERE title IS  NULL AND dtime IS NOT NULL      ")println("开始")it.collect().take(8).foreach(line => println(line))println("结束")sc.stop();}

在IDEA的控制台，可以输出如下结果：