Att konvertera mysql-tabell till sparkdatauppsättning är mycket långsam jämfört med samma från csv-fil

Det här problemet har täckts flera gånger på StackOverflow:

• Hur förbättrar man prestanda för långsamma Spark-jobb med DataFrame och JDBC-anslutning?
• spark jdbc df limit... vad gör den?
• Hur använder jag JDBC-källa för att skriva och läsa data i (Py)Spark?

och i externa källor:

• https://github. com/awesome-spark/spark-gotchas/blob/master/05_spark_sql_and_dataset_api.md#parallelizing-reads

så bara för att upprepa - som standard DataFrameReader.jdbc distribuerar inte data eller läser. Den använder enkel tråd, enkel exektuor.

För att distribuera läser:

• använd intervall med lowerBound / upperBound :

  Properties properties;
  Lower
  
  Dataset<Row> set = sc
      .read()
      .option("partitionColumn", "foo")
      .option("numPartitions", "3")
      .option("lowerBound", 0)
      .option("upperBound", 30)
      .option("url", url)
      .option("dbtable", this.tableName)
      .option("driver","com.mysql.jdbc.Driver")
      .format("jdbc")
      .load();
  

• predicates

  Properties properties;
  Dataset<Row> set = sc
      .read()
      .jdbc(
          url, this.tableName,
          {"foo < 10", "foo BETWWEN 10 and 20", "foo > 20"},
          properties
      )