zoukankan      html  css  js  c++  java
  • spark load data from mysql

    spark load data from mysql

    code first

    本机通过spark-shell.cmd启动一个spark进程

    	SparkSession spark = SparkSession.builder().appName("Simple Application").master("local[2]").getOrCreate();
    
            Map<String, String> map = new HashMap<>();
            map.put("url","jdbc:mysql:xxx");
            map.put("user", "user");
            map.put("password", "pass");
            String tableName = "table";
            map.put("dbtable", tableName);
            map.put("driver", "com.mysql.jdbc.Driver");
            String lowerBound = 1 + "";   //低界限
            String upperBound = 10000 + "";  //高界限
    
            map.put("fetchsize", "100000");  //实例和mysql服务端单次拉取行数,拉取后才能执行rs.next()
            map.put("numPartitions", "50");  //50个分区区间,将以范围[lowerBound,upperBound]划分成50个分区,每个分区执行一次查询
            map.put("partitionColumn", "id");  //分区条件列
            System.out.println("tableName:" + tableName + ", lowerBound:"+lowerBound+", upperBound:"+upperBound);
            map.put("lowerBound", lowerBound);
            map.put("upperBound", upperBound);
    
            Dataset dataset = spark.read().format("jdbc").options(map).load(); //transform操作
            dataset.registerTempTable("tmp__");
            Dataset<Row> ds = spark.sql("select * from tmp__"); //transform操作
            ds.cache().show();  //action,触发sql真正执行
    
    
    

    执行到show时,任务开始真正执行,此时,我们单机debug,来跟踪partitionColumn的最终实现方式

    debug类

    org.apache.spark.sql.execution.datasources.jdbc.JDBCRelation.buildScan

    此时parts为size=50的分区列表

      override def buildScan(requiredColumns: Array[String], filters: Array[Filter]): RDD[Row] = {
    	// Rely on a type erasure hack to pass RDD[InternalRow] back as RDD[Row]
    	JDBCRDD.scanTable(
    	  sparkSession.sparkContext,
    	  schema,
    	  requiredColumns,
    	  filters,
    	  parts,
    	  jdbcOptions).asInstanceOf[RDD[Row]]
      }
    

    单个分区内的whereClause值

    whereCluase="id < 21 or id is null" 
    

    继续往下断点,到单个part的执行逻辑,此时代码应该是在Executor中的某个task线程中
    org.apache.spark.sql.execution.datasources.jdbc.JDBCRDD.compute

    	val myWhereClause = getWhereClause(part)
    
    	val sqlText = s"SELECT $columnList FROM ${options.table} $myWhereClause"
    	stmt = conn.prepareStatement(sqlText,
    		ResultSet.TYPE_FORWARD_ONLY, ResultSet.CONCUR_READ_ONLY)
    	stmt.setFetchSize(options.fetchSize)
    	rs = stmt.executeQuery()
    	val rowsIterator = JdbcUtils.resultSetToSparkInternalRows(rs, schema, inputMetrics)
    
    	CompletionIterator[InternalRow, Iterator[InternalRow]](
    	  new InterruptibleIterator(context, rowsIterator), close())	
    

    此时
    myWhereClause=WHERE id < 21 or id is null

    最终的sql语句
    sqlText=SELECT id,xx FROM tablea WHERE id < 21 or id is null

    所有part都会经过compute
    Executor执行完任务后,将信息发送回Driver
    Executor: Finished task 7.0 in stage 2.0 (TID 12). 1836 bytes result sent to driver

    总结

    • numPartitions、partitionColumn、lowerBound、upperBound结合后,spark将生成很多个parts,每个part对应一个查询whereClause,最终查询数据将分成numPartitions个任务来拉取数据,因此,partitionColumn必须是索引列,否则,效率将大大降低
    • 自动获取table schema,程序会执行类型select * from tablea where 1=0 来获取字段及类型
    • lowerBound,upperBound仅用来生成parts区间,最终生成的sql中,不会使用它们来作为数据范围的最小或最大值
  • 相关阅读:
    一位老司机开车20年后得到的26条教训
    H608B无线路由破解方法
    我们去工作到底为了什么?
    什么是”中国梦”?
    Cubieboard A10 安装Nand系统,配置nginx,php,mysql,samba详细教程
    早晚有一天,我们都会成为自己当初讨厌的人
    当下中国的十二种孤独
    终于见到全文了,太唯美了!
    想生男想生女 从科学角度为你解读
    如何找到板块中所有个股
  • 原文地址:https://www.cnblogs.com/windliu/p/10858235.html
Copyright © 2011-2022 走看看