pyspark的rdd直接写入mysql

Google搜索"RDD write into mysql"前面5页得到:[5][6][7][8][9][10]

我们一个个来分析

[1][2][3]读出的是RDD,写入的是foreachpartition的方式

[4]写入的不是spark RDD,而是一个Spark的DataFrame类型的变量

[5]写入的不是spark RDD,而是Spark RDD转化为DataFrame类型然后写入

[6][7]写入的是spark DataFrame

[8]仅仅是代码bug而已

[9]写入的是dataframe不是rdd

[10]提到了检查partition的数量可以加速rdd的写入，里面有两种方式，第一种是RDD写入，第二种是Data Frame写入。

结论:

[1][2][3][10]有用(都是scala语言)，其他都没有用。

[11]提到了针对partition来提高速度。

尝试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()
# 执行sql语句
#---------------------------------------
    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，如果之前已经执行多次的execute，那么就都进行提交
        conn.commit()
#---------------------------------------
    # 关闭cursor对象
    cs1.close()
    # 关闭connection对象
    conn.close()
    
res.foreachPartition(lambda x:write2mysql(x))

数据集用的是：

https://github.com/wesm/pydata-book/tree/2nd-edition/datasets/babynames

如果报错:

pymysql.err.InternalError: (1049, "Unknown database 'leaf'")

查过存在该数据库还是解决不了的话，参考:

https://gitee.com/appleyuchi/cluster_configuration/blob/master/物理环境配置流程-必须先看.txt

Reference:

[1]RDD从mysql中读取数据和RDD往数据库中存数据(代码完整)

[2]RDD 直接存入MySQL，以及直接读取MySQL中数据(代码不完整)

[3]spark以rdd方式读写mysql

[4]Spark RDD写入RMDB(Mysql)方法二

[5]How to put data from Spark RDD to Mysql Table