使用pyspark怎么對Mysql數據庫進行讀寫操作

使用pyspark怎么對Mysql數據庫進行讀寫操作？針對這個問題，這篇文章詳細介紹了相對應的分析和解答，希望可以幫助更多想解決這個問題的小伙伴找到更簡單易行的方法。

pyspark是Spark對Python的api接口，可以在Python環境中通過調用pyspark模塊來操作spark，完成大數據框架下的數據分析與挖掘。其中，數據的讀寫是基礎操作，pyspark的子模塊pyspark.sql 可以完成大部分類型的數據讀寫。文本介紹在pyspark中讀寫Mysql數據庫。

1 軟件版本

在Python中使用Spark，需要安裝配置Spark，這里跳過配置的過程，給出運行環境和相關程序版本信息。

• win10 64bit

• java 13.0.1

• spark 3.0

• python 3.8

• pyspark 3.0

• pycharm 2019.3.4

2 環境配置

pyspark連接Mysql是通過java實現的，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數據類型
  print(type(data))
  # 展示數據
  data.show()
  # 關閉spark會話
  spark.stop()

• 注意點：

• prop參數需要根據實際情況修改，文中用戶名和密碼用xxx代替了，driver參數也可以不需要；

• url參數需要根據實際情況修改，格式為jdbc:mysql://主機:端口/數據庫；

• 通過調用方法read.jdbc進行讀取，返回的數據類型為spark DataFrame；

運行腳本，輸出如下：

4 寫入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'

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

  # 寫入數據庫
  pd_df.write.jdbc(url=url, table='new', mode='append', properties=prop)
  # 關閉spark會話
  sc.stop()

注意點：

prop和url參數同樣需要根據實際情況修改；

寫入數據庫要求的對象類型是spark DataFrame，提供了三種常見數據類型轉spark DataFrame的方法；

通過調用write.jdbc方法進行寫入，其中的model參數控制寫入數據的行為。

5 常見報錯

Access denied for user …

原因：mysql配置參數出錯
解決辦法：檢查user,password拼寫，檢查賬號密碼是否正確，用其他工具測試mysql是否能正常連接，做對比檢查。

No suitable driver

原因：沒有配置運行環境
解決辦法：下載jar包進行配置，具體過程參考本文的2 環境配置。

關于使用pyspark怎么對Mysql數據庫進行讀寫操作問題的解答就分享到這里了，希望以上內容可以對大家有一定的幫助，如果你還有很多疑惑沒有解開，可以關注億速云行業資訊頻道了解更多相關知識。