Převod tabulky mysql na datovou sadu Spark je velmi pomalý ve srovnání se stejným souborem csv

Tento problém byl na StackOverflow řešen několikrát:

• Jak zlepšit výkon pro pomalé úlohy Spark pomocí DataFrame a připojení JDBC?
• spark jdbc df limit... co to dělá?
• Jak používat zdroj JDBC k zápisu a čtení dat v (Py)Spark?

a v externích zdrojích:

• https://github. com/awesome-spark/spark-gotchas/blob/master/05_spark_sql_and_dataset_api.md#parallelizing-reads

takže jen pro zopakování - ve výchozím nastavení DataFrameReader.jdbc nedistribuuje data ani nečte. Používá jedno vlákno, jeden exekutor.

Chcete-li distribuovat čtení:

• použijte rozsahy s lowerBound / upperBound :

  Properties properties;
  Lower
  
  Dataset<Row> set = sc
      .read()
      .option("partitionColumn", "foo")
      .option("numPartitions", "3")
      .option("lowerBound", 0)
      .option("upperBound", 30)
      .option("url", url)
      .option("dbtable", this.tableName)
      .option("driver","com.mysql.jdbc.Driver")
      .format("jdbc")
      .load();
  

• predicates

  Properties properties;
  Dataset<Row> set = sc
      .read()
      .jdbc(
          url, this.tableName,
          {"foo < 10", "foo BETWWEN 10 and 20", "foo > 20"},
          properties
      )