本文转载自"过往记忆"(http://www.iteblog.com/)
本文链接: 【Spark读取数据库(Mysql)的四种方式讲解】(http://www.iteblog.com/archives/1560)
目前Spark支持四种方式从数据库中读取数据,这里以Mysql为例进行介绍。
一、不指定查询条件
这个方式链接MySql的函数原型是:
1 | def jdbc(url : String, table : String, properties : Properties) : DataFrame |
我们只需要提供Driver的url,需要查询的表名,以及连接表相关属性properties。下面是具体例子:
3 | val prop = new Properties() |
4 | val df = sqlContext.read.jdbc(url, "iteblog" , prop ) |
6 | println(df.rdd.partitions.size) |
我们运行上面的程序,可以看到df.rdd.partitions.size
输出结果是1,这个结果的含义是iteblog表的所有数据都是由RDD的一个分区处理的,所以说,如果你这个表很大,很可能会出现OOM
1 | WARN TaskSetManager : Lost task 0.0 in stage 1.0 (TID 14 , spark 047219 ) : |
2 | java.lang.OutOfMemoryError : GC overhead limit exceeded at com.mysql.jdbc.MysqlIO.reuseAndReadPacket(MysqlIO.java : 3380 ) |
这种方式在数据量大的时候不建议使用。
如果想及时了解Spark、Hadoop或者Hbase相关的文章,欢迎关注微信公共帐号:iteblog_hadoop
二、指定数据库字段的范围
这种方式就是通过指定数据库中某个字段的范围,但是遗憾的是,这个字段必须是数字,来看看这个函数的函数原型:
8 | connectionProperties : Properties) : DataFrame |
前两个字段的含义和方法一类似。columnName就是需要分区的字段,这个字段在数据库中的类型必须是数字;lowerBound就是分区的下界;upperBound就是分区的上界;numPartitions是分区的个数。同样,我们也来看看如何使用:
2 | val upperBound = 100000 |
5 | val prop = new Properties() |
7 | val df = sqlContext.read.jdbc(url, "iteblog" , "id" , lowerBound, upperBound, numPartitions, prop) |
这个方法可以将iteblog表的数据分布到RDD的几个分区中,分区的数量由numPartitions参数决定,在理想情况下,每个分区处理相同数量的数据,我们在使用的时候不建议将这个值设置的比较大,因为这可能导致数据库挂掉!但是根据前面介绍,这个函数的缺点就是只能使用整形数据字段作为分区关键字。
这个函数在极端情况下,也就是设置将numPartitions设置为1,其含义和第一种方式一致。
三、根据任意字段进行分区
基于前面两种方法的限制,Spark还提供了根据任意字段进行分区的方法,函数原型如下:
4 | predicates : Array[String], |
5 | connectionProperties : Properties) : DataFrame |
这个函数相比第一种方式多了predicates参数,我们可以通过这个参数设置分区的依据,来看看例子:
1 | val predicates = Array[String]( "reportDate <= '2014-12-31'" , |
2 | "reportDate > '2014-12-31' and reportDate <= '2015-12-31'" ) |
4 | val prop = new Properties() |
5 | val df = sqlContext.read.jdbc(url, "iteblog" , predicates, prop) |
最后rdd的分区数量就等于predicates.length。
四、通过load获取
Spark还提供通过load的方式来读取数据。
1 | sqlContext.read.format( "jdbc" ).options( |
3 | "dbtable" -> "iteblog" )).load() |
options函数支持url、driver、dbtable、partitionColumn、lowerBound、upperBound以及numPartitions选项,细心的同学肯定发现这个和方法二的参数一致。是的,其内部实现原理部分和方法二大体一致。同时load方法还支持json、orc等数据源的读取。