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: