目前 Spark 支持四种方式从数据库中读取数据,这里以Mysql为例进行介绍。 一、不指定查询条件这个方式链接MySql的函数原型是: def jdbc(url: String, table: String, properties: Properties): DataFrame 我们只需要提供Driver的url,需要查询的表名,以及连接表相关属性properties。下面是具体例子: val url = "jdbc:mysql://www.iteblog.com:3306/iteblog?user=iteblog&password=iteblog" val prop = new Properties() val df = sqlContext.read.jdbc(url, "iteblog", prop ) println(df.count()) println(df.rdd.partitions.size) 我们运行上面的程序,可以看到 df.rdd.partitions.size 输出结果是1,这个结果的含义是iteblog表的所有数据都是由RDD的一个分区处理的,所以说,如果你这个表很大,很可能会出现OOM WARN TaskSetManager: Lost task 0.0 in stage 1.0 (TID 14, spark047219): java.lang.OutOfMemoryError: GC overhead limit exceeded at com.mysql.jdbc.MysqlIO.reuseAndReadPacket(MysqlIO.java:3380) 这种方式在数据量大的时候不建议使用。 二、指定数据库字段的范围这种方式就是通过指定数据库中某个字段的范围,但是遗憾的是,这个字段必须是数字,来看看这个函数的函数原型: def jdbc( url: String, table: String, columnName: String, lowerBound: Long, upperBound: Long, numPartitions: Int, connectionProperties: Properties): DataFrame 前两个字段的含义和方法一类似。columnName就是需要分区的字段,这个字段在数据库中的类型必须是数字;lowerBound就是分区的下界;upperBound就是分区的上界;numPartitions是分区的个数。同样,我们也来看看如何使用: val lowerBound = 1 val upperBound = 100000 val numPartitions = 5 val url = "jdbc:mysql://www.iteblog.com:3306/iteblog?user=iteblog&password=iteblog" val prop = new Properties() val df = sqlContext.read.jdbc(url, "iteblog", "id", lowerBound, upperBound, numPartitions, prop) 这个方法可以将iteblog表的数据分布到RDD的几个分区中,分区的数量由numPartitions参数决定,在理想情况下,每个分区处理相同数量的数据,我们在使用的时候不建议将这个值设置的比较大,因为这可能导致数据库挂掉!但是根据前面介绍,这个函数的缺点就是只能使用整形数据字段作为分区关键字。 这个函数在极端情况下,也就是设置将numPartitions设置为1,其含义和第一种方式一致。 三、根据任意字段进行分区基于前面两种方法的限制, Spark 还提供了根据任意字段进行分区的方法,函数原型如下: def jdbc( url: String, table: String, predicates: Array[String], connectionProperties: Properties): DataFrame 这个函数相比第一种方式多了predicates参数,我们可以通过这个参数设置分区的依据,来看看例子: val predicates = Array[String]("reportDate <= '2014-12-31'", "reportDate > '2014-12-31' and reportDate <= '2015-12-31'") val url = "jdbc:mysql://www.iteblog.com:3306/iteblog?user=iteblog&password=iteblog" val prop = new Properties() val df = sqlContext.read.jdbc(url, "iteblog", predicates, prop) 最后rdd的分区数量就等于predicates.length。 四、通过load获取Spark还提供通过load的方式来读取数据。 sqlContext.read.format("jdbc").options( Map("url" -> "jdbc:mysql://www.iteblog.com:3306/iteblog?user=iteblog&password=iteblog", "dbtable" -> "iteblog")).load() options函数支持url、driver、dbtable、partitionColumn、lowerBound、upperBound以及numPartitions选项,细心的同学肯定发现这个和方法二的参数一致。是的,其内部实现原理部分和方法二大体一致。同时load方法还支持json、orc等数据源的读取。 (责任编辑:好模板) |