很多人在spark中使用默认提供的jdbc方法时,在数据库数据较大时经常发现任务 hang 住,其实是单线程任务过重导致,这时候需要提高读取的并发度。
下文以 mysql 为例进行说明。
在spark中使用jdbc
在 spark-env.sh 文件中加入:export SPARK_CLASSPATH=/path/mysql-connector-java-5.1.34.jar
任务提交时加入:--jars /path/mysql-connector-java-5.1.34.jar
1. 单partition(无并发)
调用函数def jdbc(url: String, table: String, properties: Properties): DataFrame
使用:val url = "jdbc:mysql://mysqlHost:3306/database"val tableName = "table"// 设置连接用户&密码val prop = new java.util.Properties
prop.setProperty("user","username")
prop.setProperty("password","pwd")// 取得该表数据val jdbcDF = sqlContext.read.jdbc(url,tableName,prop)// 一些操作....
查看并发度jdbcDF.rdd.partitions.size # 结果返回 1
该操作的并发度为1,你所有的数据都会在一个partition中进行操作,意味着无论你给的资源有多少,只有一个task会执行任务,执行效率可想而之,并且在稍微大点的表中进行操作分分钟就会OOM。
更直观的说法是,达到千万级别的表就不要使用该操作,count操作就要等一万年,no zuo no die ,don't to try !WARN TaskSetManager: Lost task 0.0 in stage 6.0 (TID 56, spark047219): java.lang.OutOfMemoryError: GC overhead limit exceededat com.mysql.jdbc.MysqlIO.reuseAndReadPacket(MysqlIO.java:3380)
2. 根据Long类型字段分区
调用函数def jdbc( url: String, table: String, columnName: String, # 根据该字段分区,需要为整形,比如id等
lowerBound: Long, # 分区的下界
upperBound: Long, # 分区的上界
numPartitions: Int, # 分区的个数
connectionProperties: Properties): DataFrame
使用:val url = "jdbc:mysql://mysqlHost:3306/database"val tableName = "table"val columnName = "colName"val lowerBound = 1,
val upperBound = 10000000,
val numPartitions = 10,// 设置连接用户&密码val prop = new java.util.Properties
prop.setProperty("user","username")
prop.setProperty("password","pwd")// 取得该表数据val jdbcDF = sqlContext.read.jdbc(url,tableName,columnName,lowerBound,upperBound,numPartitions,prop)// 一些操作....
查看并发度jdbcDF.rdd.partitions.size # 结果返回 10
该操作将字段 colName 中1-10000000条数据分到10个partition中,使用很方便,缺点也很明显,只能使用整形数据字段作为分区关键字。
3000w数据的表 count 跨集群操作只要2s。
3. 根据任意类型字段分区
调用函数jdbc(
url: String, table: String, predicates: Array[String], connectionProperties: Properties): DataFrame
下面以使用最多的时间字段分区为例:val url = "jdbc:mysql://mysqlHost:3306/database"val tableName = "table"// 设置连接用户&密码val prop = new java.util.Properties
prop.setProperty("user","username")
prop.setProperty("password","pwd")/**
* 将9月16-12月15三个月的数据取出,按时间分为6个partition
* 为了减少事例代码,这里的时间都是写死的
* modified_time 为时间字段
*/
val predicates = Array( "2015-09-16" -> "2015-09-30", "2015-10-01" -> "2015-10-15", "2015-10-16" -> "2015-10-31", "2015-11-01" -> "2015-11-14", "2015-11-15" -> "2015-11-30", "2015-12-01" -> "2015-12-15"
).map { case (start, end) =>
s"cast(modified_time as date) >= date '$start' " + s"AND cast(modified_time as date) <= date '$end'"
}// 取得该表数据val jdbcDF = sqlContext.read.jdbc(url,tableName,predicates,prop)// 一些操作....
查看并发度jdbcDF.rdd.partitions.size # 结果返回 6
该操作的每个分区数据都由该段时间的分区组成,这种方式适合各种场景,较为推荐。
结语以 mysql 3000W 数据量表为例,单分区count,僵死若干分钟报OOM。分成5-20个分区后,count 操作只需要 2s高并发度可以大幅度提高读取以及处理数据的速度,但是如果设置过高(大量的partition同时读取)也可能会将数据源数据库弄挂。
作者:breeze_lsw
链接:https://www.jianshu.com/p/83d273dfea1c
打开App,阅读手记