PySpark读取Mysql数据到DataFrame！

Spark版本:2.1
Python版本：2.7.12

了解了Spark RDD之后，小编今天有体验了一把Spark SQL，使用Spark SQL时，最主要的两个组件就是DataFrame和SQLContext。

1、引言

使用过Pandas的小伙伴们一定对DataFrame比较熟悉，Spark中的DataFrame其实跟pandas中的类似，DataFrame是一个分布式的，按照命名列的形式组织的数据集合。DataFrame基于R语言中的data frame概念，与关系型数据库中的数据库表类似。可以通过如下数据源创建DataFrame：

已有的RDD
结构化数据文件
JSON数据集
Hive表
外部数据库

今天，小编只想带大家如何从外部的mysql数据库中获取数据：加入我有一个test的数据库存在于本地，有一个名为chat的数据表，其中的数据是这样的：

chat数据表.png

可以看到主要有四列数据，分别是id，问题，回答以及问题对应的词向量（经过word2vec训练出来的）。

想要通过SparkSql获取到数据库的数据，小编可真是费了很大的力气，网上的帖子真可谓少之又少，不过经过一番试错，小编最终还是搞定啦，哈哈。

2、环境配置

想要了解spark安装的童鞋，可以参考我之前写的文章：http://www.jianshu.com/p/c248b8c966e2
想要spark能够从mysql中获取数据，我们首先需要一个连接mysql的jar包，jar包下载地址：http://download.csdn.net/download/u012453843/9667329。
将jar包放入虚拟机中合适的位置，比如我放置在/home/sxw/Documents路径下，并在spark的 spark-env.sh 文件中加入:

export SPARK_CLASSPATH=/home/sxw/Documents/mysql-connector-java-5.1.40-bin.jar

3、代码编写

使用pyspark并从mysql中获取数据的完整代码如下：

from pyspark.sql import SparkSession
from pyspark.sql import SQLContext

sc = SparkSession.builder.appName("Python Spark SQL basic example")\
    .config('spark.some.config,option0','some-value')\
    .getOrCreate()
ctx = SQLContext(sc)
jdbcDf=ctx.read.format("jdbc").options(url="jdbc:mysql://localhost:3306/test",
                                       driver="com.mysql.jdbc.Driver",
                                       dbtable="(SELECT * FROM chat) tmp",user="root",
                                       password="0845").load()
print(jdbcDf.printSchema())

小编还没有仔细研究SparkSQL的语法，所以这里对于语句就不做过多的介绍啦。

4、运行

我们把上面的代码保存成test.py，直接使用python test.py命令运行，结果如下：

运行结果1.png

可以看到，我们成功从mysql中得到了数据，并打印出了DataFrame的Schema。

如果你喜欢我写的文章，可以帮忙给小编点个赞或者加个关注，我一定会互粉的！
如果大家对spark感兴趣，欢迎跟小编进行交流，小编微信为sxw2251，加我要写好备注哟！

我的微信