Google搜索"RDD write into mysql"前面5頁得到:[5][6][7][8][9][10]
我們一個個來分析
[1][2][3]讀出的是RDD,寫入的是foreachpartition的方式
[4]寫入的不是spark RDD,而是一個Spark的DataFrame類型的變量
[5]寫入的不是spark RDD,而是Spark RDD轉化爲DataFrame類型然後寫入
[6][7]寫入的是spark DataFrame
[8]僅僅是代碼bug而已
[9]寫入的是dataframe不是rdd
[10]提到了檢查partition的數量可以加速rdd的寫入,裏面有兩種方式,第一種是RDD寫入,第二種是Data Frame寫入。
結論:
[1][2][3][10]有用(都是scala語言),其他都沒有用。
[11]提到了針對partition來提高速度。
嘗試Pyspark版本:
import pandas as pd
from pyspark.sql import SparkSession
from pyspark import SparkContext
from pyspark.sql import SQLContext
from pymysql import *
def map_extract(element):
file_path, content = element
year = file_path[-8:-4]
return [(year, i) for i in content.split("\n") if i]
spark = SparkSession\
.builder\
.appName("PythonTest")\
.getOrCreate()
res = spark.sparkContext.wholeTextFiles('hdfs://Desktop:9000/user/mercury/names',
minPartitions=40) \
.map(map_extract) \
.flatMap(lambda x: x) \
.map(lambda x: (x[0], int(x[1].split(',')[2]))) \
.reduceByKey(lambda x,y:x+y)
def write2mysql(x):
conn = connect(host='127.0.0.1', port=3306, database='leaf', user='appleyuchi',password='appleyuchi', charset='utf8')
cs1 = conn.cursor()
# 執行sql語句
#---------------------------------------
for item in x:
key = str(item[0])
num = item[1]
# values = (key,num)
# print("values=",values)
sql = "insert into `spark`(`key`,`num`) values (%s,%s)"
cs1.execute(sql,(key,num))
# 提交之前的操作,如果之前已經執行多次的execute,那麼就都進行提交
conn.commit()
#---------------------------------------
# 關閉cursor對象
cs1.close()
# 關閉connection對象
conn.close()
res.foreachPartition(lambda x:write2mysql(x))
數據集用的是 :
https://github.com/wesm/pydata-book/tree/2nd-edition/datasets/babynames
如果報錯:
pymysql.err.InternalError: (1049, "Unknown database 'leaf'")
查過存在該數據庫還是解決不了的話,參考:
https://gitee.com/appleyuchi/cluster_configuration/blob/master/物理環境配置流程-必須先看.txt
Reference:
[1]RDD從mysql中讀取數據和RDD往數據庫中存數據(代碼完整)
[2]RDD 直接存入MySQL,以及直接讀取MySQL中數據(代碼不完整)
[5]How to put data from Spark RDD to Mysql Table
[6]WRITING TO A DATABASE FROM SPARK
[8]Writing from PySpark to MySQL Database
[9]spark 2.1寫入mysql spark 2.1 write to mysql
[10]how to properly save spark rdd result to a mysql database(代碼不完整)
[11]計算質數通過分區(Partition)提高Spark的運行性能