jdbc的简单操作
val spark = SparkSession
.builder()
.appName("JdbcDatasourceTest")
.master("local")
.getOrCreate()
//url:
// jdbc:mysql://master:3306/test
// jdbc:oracle://master:3306/test
// jdbc:db2://master:3306/test
// jdbc:derby://master:3306/test
// jdbc:sqlserver://master:3306/test
// jdbc:postgresql://master:3306/test
val mysqlUrl = "jdbc:mysql://master:3306/test"
// 读取csv文件数据
val optsMap = Map("header" -> "true", "inferSchema" -> "true")
val df = spark.read.options(optsMap).csv(s"${BASE_PATH}/jdbc_demo_data.csv")
val properties = new Properties()
properties.put("user", "root")
properties.put("password", "root")
//向Mysql数据库写数据
df.write.mode(SaveMode.Overwrite).jdbc(mysqlUrl, "person", properties)
//从mysql数据库读取数据
val jdbcDFWithNoneOption = spark.read.jdbc(mysqlUrl, "person", properties)
JDBC操作数据库
1.建表
第一次写的时候,需要创建一张表,建表语句类似如下:
CREATE TABLE t (name string) ENGINE=InnoDB DEFAULT CHARSET=utf8 AUTO_INCREMENT=1
ENGINE=InnoDB使用innodb引擎 DEFAULT CHARSET=utf8 数据库默认编码为utf-8 AUTO_INCREMENT=1 自增键的起始序号为1
属性配置ENGINE=InnoDB DEFAULT CHARSET=utf8 AUTO_INCREMENT=1可以通过参数createTableOptions传给spark
var writeOpts =
Map[String, String]("createTableOptions" -> "ENGINE=InnoDB DEFAULT CHARSET=utf8 AUTO_INCREMENT=1")
df.write.mode(SaveMode.Overwrite).options(writeOpts).jdbc(mysqlUrl, "person", properties)
2.设置表的schema
一般表的schema是和DataFrame是一致的,字段的类型是从spark sql的DataType翻译到各个数据库对应的数据类型
如果字段在数据库中的类型不是你想要的,你可以通过参数createTableColumnTypes来设置createTableColumnTypes=age long,name string
writeOpts = Map[String, String]("createTableColumnTypes" -> "id long,age long")
df.write.mode(SaveMode.Overwrite).options(writeOpts).jdbc(mysqlUrl, "person", properties)
3.事务隔离级别的设置,通过参数isolationLevel设置
NONE 不支持事物
READ_UNCOMMITTED 会出现脏读、不可重复读以及幻读
READ_COMMITTED 不会出现脏读,但是还是会出现不可重复读以及幻读
REPEATABLE_READ 不会出现脏读以及不可重复读,但是还会出现幻读
SERIALIZABLE 脏读、不可重复读以及幻读都不会出现了
writeOpts = Map[String, String]("isolationLevel" -> "READ_UNCOMMITTED")
df.write.mode(SaveMode.Overwrite).options(writeOpts).jdbc(mysqlUrl, "person", properties)
4.写数据
写数据的过程中可以采用批量写数据,每一批写的数据量的大小可以通过参数batchsize设置,默认是:1000,这个值根据具体的业务来定
writeOpts = Map[String, String]("batchsize" -> "100")
df.write.mode(SaveMode.Overwrite).options(writeOpts).jdbc(mysqlUrl, "person", properties)
5.SaveMode
第二次写数据的时候,这个时候表已经存在了,所以需要区分SaveMode
当SaveMode=Overwrite 的时候,需要先清理表,然后再写数据。清理表的方法又分两种:
第一种是truncate即清空表,如果是这种的话,则先清空表,然后再写数据
第二种是drop掉表,如果是这种的话,则先drop表,然后建表,最后写数据
以上两种方式的选择,可以通过参数truncate(默认是false)控制。因为truncate清空数据可能会失败,所以可以使用drop table的方式
而且不是所有的数据库都支持truncate table,其中PostgresDialect就不支持
当SaveMode=Append 的时候,则直接写数据就行
当SaveMode=ErrorIfExists 的时候,则直接抛异常
当SaveMode=Ignore 的时候,则直接不做任何事情
writeOpts = Map[String, String]("truncate" -> "false")
df.write.mode(SaveMode.Overwrite).options(writeOpts).jdbc(mysqlUrl, "person", properties)
6.分区
分区的目的:当读小表的时候,很快,但是当表很大的时候,你再去读数据,就会很慢,严重影响效率,分区的意思就是分几个区,一个区读一点,用以提高性能
按照某个分区字段进行分区读数据
partitionColumn 分区的字段,这个字段必须是integral类型的,比如ID
lowerBound 用于决定分区步数的partitionColumn的最小值
upperBound 用于决定分区步数的partitionColumn的最大值
numPartitions 分区数,和lowerBound以及upperBound一起来为每一个分区生成sql的where字句
如果upperBound - lowerBound >= numPartitions,那么我们就取numPartitions个分区,否则我们取upperBound - lowerBound个分区数
假设:8 - 3 = 5 > 3 所以我们取3个分区
where id < 3 + 1 这个1是通过 8/3 - 3/3 = 1得来的 分区1
where id >= 3 + 1 and id < 3 + 1 + 1 分区2
where id >= 3 + 1 + 1 分区3
//配置的方式
val readOpts = Map[String, String]("numPartitions" -> "3", "partitionColumn" -> "id",
"lowerBound" -> "3", "upperBound" -> "8", "fetchsize" -> "100")
val jdbcDF = spark.read.options(readOpts).jdbc(mysqlUrl, "person", properties)
jdbcDF.rdd.partitions.size // 这个是查看分区数
jdbcDF.rdd.glom().collect() // 这个是查看每个分区的数据有哪些
jdbcDF.show() // 查看所有数据
// api方式
spark.read.jdbc(mysqlUrl, "person", "id", 3, 8, 3, properties).show()
// 参数predicates: Array[String],用于决定每一个分区对应的where子句,分区数就是数组predicates的大小
val conditionDF = spark.read.jdbc(mysqlUrl,
"person", Array("id > 2 and id < 5", "id >= 5 and id < 8"), properties)
注:
每次读取的时候,可以采用batch的方式读取数据,batch的数量可以由参数fetchsize来设置。默认为:0,表示jdbc的driver来估计这个batch的大小
不管是读还是写,都有分区数的概念,读的时候是通过用户设置numPartitions参数设置的,而写的分区数是DataFrame的分区数
需要注意一点的是不管是读还是写,每一个分区都会打开一个jdbc的连接,所以分区不宜太多,要不然的话会搞垮数据库
写的时候,可以通过DataFrame的coalease接口来减少分区数