spark 读取 mysql大表优化

从一个存有 200w+数据量的mysql表中导出数据
如果采用默认的spark读取jdbc的方式的话，会创建一个连接，一次性读取200w的数据，会导致java虚拟机崩溃，或者GC超时导致任务失败

经一段时间的测试，最终解决了这个问题。
方案如下：
在读取源表的时候添加 谓词下推 参数
会生成多个where 子句 进行 分区 并行读取mysql源表的数据 (这里就大大加快了读取的速度)

图为spark源码的解释：

ps://img-blog.csdnimg.cn/bb7131c408454e3db4ca1f3f135d7f49.png)

添加fetchsize参数
fetchsize参数是设定一次从表中读取过来的数据量，建议根据机器配置 进行设置合适的大小。

当前对jvm设置的参数为 -Xmx4000m
我设置的比较小 如100，或者1000 会出现 GC overhead limit exceeded 错误
如果设置 太大的话就会 导致堆内存溢出错误、

如果将 jvm 的内存加到很大的话，就不用来调整这些参数了，因为一次读取的量可以直接存进内存当中

像我这里设置了 country_code='AE' ,'AT' 等其他一共19个不同的值 那么在spark的物理执行计划里面就会生成19个分区，从而达到并行加速的目的。
如下：