Het converteren van mysql-tabel naar spark-gegevensset is erg traag in vergelijking met hetzelfde uit een csv-bestand

Dit probleem is meerdere keren behandeld op StackOverflow:

• Hoe de prestaties van langzame Spark-taken verbeteren met DataFrame en JDBC-verbinding?
• spark jdbc df limit... wat doet het?
• Hoe gebruik je de JDBC-bron om gegevens te schrijven en te lezen in (Py)Spark?

en in externe bronnen:

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

dus gewoon om te herhalen - standaard DataFrameReader.jdbc distribueert geen gegevens of leest. Het gebruikt een enkele thread, een enkele uitvoerder.

Leesteksten verspreiden:

• gebruik bereiken met 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
      )