从星火中的DataFrame中筛选和选择数据

Question

我正在开发一个Spark程序，到目前为止，我想出了以下代码：

object PartitionRetrieval {
    var conf  = new SparkConf().setAppName("Spark-JDBC")
    val log   = LogManager.getLogger("Spark-JDBC Program")
    Logger.getLogger("org").setLevel(Level.ERROR)
    val conFile       = "/home/hmusr/ReconTest/inputdir/testconnection.properties"
    val properties    = new Properties()
    properties.load(new FileInputStream(conFile))
    val connectionUrl = properties.getProperty("gpDevUrl")
    val devUserName   = properties.getProperty("devUserName")
    val devPassword   = properties.getProperty("devPassword")
    val driverClass   = properties.getProperty("gpDriverClass")
    val tableName     = "source.bank_accounts"
    try {
    Class.forName(driverClass).newInstance()
    } catch {
    case cnf: ClassNotFoundException =>
        log.error("Driver class: " + driverClass + " not found")
        System.exit(1)
    case e: Exception =>
        log.error("Exception: " + e.printStackTrace())
        System.exit(1)
    }
    def main(args: Array[String]): Unit = {
        val spark   = SparkSession.builder().config(conf).master("yarn").enableHiveSupport().getOrCreate()
        val gpTable = spark.read.format("jdbc").option("url", connectionUrl)
                                                        .option("dbtable",tableName)
                                                        .option("user",devUserName)
                                                        .option("password",devPassword).load()
        val rc = gpTable.filter(gpTable("source_system_name")==="ORACLE").count()
        println("gpTable Count: " + rc)
    }
}

在上面的代码中，将语句：val gpTable = spark.read.format("jdbc").option("url", connectionUrl)将table: bank_accounts的全部数据转储到DataFrame: gpTable中，然后DataFrame: rc获取过滤后的数据。作为表，我对此表示怀疑: bank_accounts是一个非常小的表，如果将它作为一个整体加载到内存中，它不会产生影响。但在我们的生产中，有数以十亿计的记录。在这种情况下，建议使用JDBC连接将数据加载到DataFrame中的方法是什么？有人能让我知道Spark的入口点的概念吗？

Answer 1

• 那份声明..。将表: bank_accounts的全部数据转储到DataFrame: gpTable中，然后DataFrame: rc获取过滤后的数据。

不是的。DataFrameReader并不急于。它只定义数据绑定。

此外，简单的谓词(比如简单的等式)将检查推送到源，并且在执行计划时只应加载所需的列。

在数据库日志中，您应该会看到类似于

从表中选择1，其中source_system_name = 'ORACLE‘

• 如果它作为一个数据作为一个整体加载到内存中。

不是的。Spark不会在内存中加载数据，除非它指示(主要是cache)，即使这样，它也会将自己限制在适合可用存储内存的块上。

在标准过程中，它只保留计算计划所需的数据。对于全局计划，内存占用不应依赖于数据量。

• 在这种情况下，建议使用JDBC连接将数据加载到DataFrame中的方法是什么？

有关可伸缩性的问题，请查看Partitioning in spark while reading from RDBMS via JDBC、Whats meaning of partitionColumn, lowerBound, upperBound, numPartitions parameters?、https://stackoverflow.com/a/45028675/8371915。

此外，您还可以阅读Does spark predicate pushdown work with JDBC?