Spark- JdbcRDD以及注意事项

先上Demo

package com.rz.spark.base

import java.sql.DriverManager

import org.apache.spark.rdd.JdbcRDD
import org.apache.spark.{SparkConf, SparkContext}

object JdbcRDDDemo {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName(this.getClass.getSimpleName).setMaster("local[2]")
    val sc = new SparkContext(conf)

    val getConn=()=>{
      DriverManager.getConnection("jdbc:mysql://localhost:3306/bigdata?characterEncoding=utf-8","root","root")
    }

    // 创建RDD，这个RDD会记录以后从MySQL中读取数据
    val jdbcRDD: JdbcRDD[(Int, String, Int)] = new JdbcRDD(sc,
      getConn,
      "select * from logs where id >= ? and id <= ?",
      1,
      5,
      2, //分区数量
      rs => {
        val id = rs.getInt(1)
        val name = rs.getString(2)
        val age = rs.getInt(3)
        (id, name, age) //将数据库查询出来的数据集转成想要的数据格式
      }
    )
    val rs = jdbcRDD.collect()
    print(rs.toBuffer)
  }
}

返回查询结果正确

现象

修改查询的SQL，返回的数据量不对。

"select * from logs where id >= ? and id < ?"

原因

在触发Action的时候，Task在每个分区上的业务逻辑是相同的（id >= ? and id < ?"），只是读取的数据和处理的数据不一样。RDD根据数据量和分区数据，均匀地分配每个分区Task读取数据的范围。

分区1读取[1,2）的数据，分区2读取[3,5)的数据。

使用相同的逻辑分区1丢掉了id=2的数据，这是为什么，id >= 1 and id < 5"只返回3条数据的原因，如果只有一个分区的时候能够读取到正确的数据量。

解决办法

为了避免出现丢数据，读取数据时，区间两端都包含。id >= 1 and id < =5。