SparkDSL修改版之从csv文件读取数据并写入Mysql

import java.sql.{Connection, DriverManager, PreparedStatement}
import org.apache.spark.sql.{DataFrame, Row, SparkSession}
import org.apache.spark.sql.functions._
import org.apache.spark.storage.StorageLevel
/**
 * 电影评分数据分析，需求如下：
 *      需求1：查找电影评分个数超过50,且平均评分较高的前十部电影名称及其对应的平均评分
 *          电影ID    评分个数     电影名称 平均评分   更新时间
 *          movie_id、rating_num、title、rating_avg、update_time
 *      需求2：查找每个电影类别及其对应的平均评分
 *          电影类别  电影类别平均评分     更新时间
 *          genre、 rating_avg       、update_time
 *      需求3：查找被评分次数较多的前十部电影
 *          电影ID   电影名称  电影被评分的次数   更新时间
 *          movie_id、title、rating_num、      update_time
*/
object MetricsAppMain {
  // 文件路径
  private val RATINGS_CSV_FILE_PATH = "J:\\t4\\FlinkCommodityRecommendationSystem-main\\FlinkCommodityRecommendationSystem-main\\recommendation\\src\\main\\resources\\ratings.csv"
//  private val MOVIES_CSV_FILE_PATH = "D:\\Users\\Administrator\\Desktop\\exam0601\\datas\\movies.csv"
  def main(args: Array[String]): Unit = {
    // step1、创建SparkSession实例对象
    val spark: SparkSession = createSparkSession(this.getClass)
    import spark.implicits._
    /*
      分析需求可知，三个需求最终结果，需要使用事实表数据和维度表数据关联，所以先数据拉宽，再指标计算
        TODO： 按照数据仓库分层理论管理数据和开发指标
        - 第一层（最底层）：ODS层
          直接加CSV文件数据为DataFrame
        - 第二层（中间层）：DW层
          将加载业务数据（电影评分数据）和维度数据（电影基本信息数据）进行Join关联，拉宽操作
        - 第三层（最上层）：DA层/APP层
          依据需求开发程序，计算指标，进行存储到MySQL表
     */
    // step2、【ODS层】：加载数据，CSV格式数据，文件首行为列名称
    val ratingDF: DataFrame = readCsvFile(spark, RATINGS_CSV_FILE_PATH, verbose = false)
//    val movieDF: DataFrame = readCsvFile(spark, MOVIES_CSV_FILE_PATH, verbose = false)
    // step3、【DW层】：将电影评分数据与电影信息数据进行关联，数据拉宽操作
//    val detailDF: DataFrame = joinDetail(ratingDF, movieDF)
    printConsole(ratingDF)
    // step4、【DA层】：按照业务需求，进行指标统计分析
    computeMetric(ratingDF)
    Thread.sleep(1000000)
    // 应用结束，关闭资源
    spark.stop()
  }
  /**
   * 构建SparkSession实例对象，默认情况下本地模式运行
   */
  def createSparkSession(clazz: Class[_], master: String = "local[2]"): SparkSession = {
    SparkSession.builder()
      .appName(clazz.getSimpleName.stripSuffix("$"))
      .master(master)
      .config("spark.sql.shuffle.partitions", "2")
      .getOrCreate()
  }
  /**
   * 读取CSV格式文本文件数据，封装到DataFrame数据集
   */
  def readCsvFile(spark: SparkSession, path: String, verbose: Boolean = true): DataFrame = {
    val dataframe: DataFrame = spark.read
      // 设置分隔符为逗号
      .option("sep", ",")
      // 文件首行为列名称
      .option("header", "true")
      // 依据数值自动推断数据类型
      .option("inferSchema", "true")
      .csv(path)
    if(verbose){
      printConsole(dataframe)
    }
    // 返回数据集
    dataframe
  }
  /**
   * 按照业务需求，进行指标统计，默认情况下，结果数据打印控制台
   */
  def computeMetric(dataframe: DataFrame): Unit = {
    // TODO: 缓存数据
    dataframe.persist(StorageLevel.MEMORY_AND_DISK)
    // 需求1：查找电影评分个数超过50,且平均评分较高的前十部电影名称及其对应的平均评分
    val top10FilesDF: DataFrame = top10Films(dataframe)
    //printConsole(top10FilesDF)
    upsertToMySQL(
      top10FilesDF, //
      "replace into test.rating (id, userId, productId, score, timestamp) values (null, ?, ?, ?, ?)", //
      (pstmt: PreparedStatement, row: Row) => {
        pstmt.setInt(1, row.getAs[Int]("userId"))
        pstmt.setInt(2, row.getAs[Int]("productId"))
        pstmt.setDouble(3, row.getAs[Double]("score"))
        pstmt.setInt(4, row.getAs[Int]("timestamp"))
      }
    )
    // 释放资源
    dataframe.unpersist()
  }
  /**
   * 需求：查找电影评分个数超过50,且平均评分较高的前十部电影名称及其对应的平均评分
   *    电影ID    评分个数     电影名称 平均评分   更新时间
   *    movie_id、rating_num、title、rating_avg、update_time
   */
  def top10Films(dataframe: DataFrame): DataFrame = {
    import dataframe.sparkSession.implicits._
    dataframe
      // 添加日期字段
//      .withColumn("update_time", current_timestamp())
  }
  /**
   * 将DataFrame数据集打印控制台，显示Schema信息和前10条数据
   */
  def printConsole(dataframe: DataFrame): Unit = {
    // 显示Schema信息
    dataframe.printSchema()
    // 显示前10条数据
    dataframe.show(10, truncate = false)
  }
  /**
   * 将数据保存至MySQL表中，采用replace方式，当主键存在时，更新数据；不存在时，插入数据
   * @param dataframe 数据集
   * @param sql 插入数据SQL语句
   * @param accept 函数，如何设置Row中每列数据到SQL语句中占位符值
   */
  def upsertToMySQL(dataframe: DataFrame, sql: String,
                    accept: (PreparedStatement, Row) => Unit): Unit = {
    // 降低分区数目，对每个分区进行操作
    dataframe.coalesce(1).foreachPartition{iter =>
      // step1. 加载驱动类
      Class.forName("com.mysql.cj.jdbc.Driver")
      // 声明变量
      var conn: Connection = null
      var pstmt: PreparedStatement = null
      try{
        // step2. 创建连接
        conn = DriverManager.getConnection(
          "jdbc:mysql://120.26.162.238:33306/?serverTimezone=UTC&characterEncoding=utf8&useUnicode=true",
          "root",
          "123456"
        )
        pstmt = conn.prepareStatement(sql)
        // step3. 插入数据
        iter.foreach{row =>
          // 设置SQL语句中占位符的值
          accept(pstmt, row)
          // 加入批次中
          pstmt.addBatch()
        }
        // 批量执行批次
        pstmt.executeBatch()
      }catch {
        case e: Exception => e.printStackTrace()
      }finally {
        // step4. 关闭连接
        if(null != pstmt) pstmt.close()
        if(null != conn) conn.close()
      }
    }
  }
}