如何在星火-jdbc连接中操作numPartitions、lowerBound、upperBound？

Question

我正在尝试使用spark读取postgres db上的一个表。为此，我提出了以下代码：

object PartitionRetrieval {
  var conf  = new SparkConf().setAppName("Spark-JDBC").set("spark.executor.heartbeatInterval","120s").set("spark.network.timeout","12000s").set("spark.default.parallelism", "20")
  val log   = LogManager.getLogger("Spark-JDBC Program")
  Logger.getLogger("org").setLevel(Level.ERROR)
  val conFile       = "/home/myuser/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     = "base.ledgers"
  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()
    import spark.implicits._
    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" && gpTable("period_year")==="2017").count()
    println("gpTable Count: " + rc)
  }
}

现在，我正在获取行数，以查看连接是否成功或失败。它是一个巨大的表，获得计数要慢一些，我理解这一点，因为没有给出分区号和列名的参数来进行数据分区。

在很多地方，我看到jdbc对象是以以下方式创建的：

val gpTable2 = spark.read.jdbc(connectionUrl, tableName, connectionProperties) 

我用options以另一种格式创建了它。我无法理解当jdbc连接使用‘numPartitions’：val gpTable = spark.read.format("jdbc").option("url", connectionUrl).option("dbtable",tableName).option("user",devUserName).option("password",devPassword).load()形成时，如何给出数据分区的分区列名。

有人能让我知道吗

1. 如何将参数：numPartitions, lowerBound, upperBound添加到以这种方式编写的jdbc对象中： val gpTable = spark.read.format("jdbc").option("url"，connectionUrl).option("dbtable"，tableName).option("user"，devUserName).option(“密码”，devPassword).load()
2. 如何只添加columnname和numPartition，因为我想获取2017年的所有行，并且不希望选择一系列行(lowerBound，upperBound)

Answer 1

选项numPartitions, lowerBound, upperBound and PartitionColumn控制火花中的并行读取。PartitionColumn需要一个完整的列。如果表中没有合适的列，则可以使用ROW_NUMBER作为分区列。

试试看，

val rowCount = spark.read.format("jdbc").option("url", connectionUrl)
                                       .option("dbtable","(select count(*) AS count * from tableName where source_system_name = "ORACLE" AND "period_year = "2017")")
                                       .option("user",devUserName)
                                       .option("password",devPassword)
                                       .load()
                                       .collect()
                                       .map(row => row.getAs[Int]("count")).head

我们获得了为提供的谓词返回的行数，该谓词可以用作upperBount。

val gpTable = spark.read.format("jdbc").option("url", connectionUrl)
                                   .option("dbtable","(select ROW_NUMBER() OVER(ORDER BY (SELECT NULL)) AS RNO, * from tableName source_system_name = "ORACLE" AND "period_year = "2017")")
                                   .option("user",devUserName)
                                   .option("password",devPassword)
                                   .option("numPartitions", 10)
                                   .option("partitionColumn", "RNO")
                                   .option("lowerBound", 1)
                                   .option("upperBound", rowCount)
                                   .load()

numPartitions取决于与Postgres的并行连接的数量。您可以根据从DB读取时所需的并行化来调整这一点。

Answer 2

要处理像这样的查询，依赖于星火聚合是没有意义的。

更好的做法是将工作委托给数据库：

val sourceSystemName = "ORACLE"

val gpTable = spark.read.format("jdbc").option("url", connectionUrl)
   .option("dbtable",
     s"(SELECT COUNT(*) FROM $tableName WHERE source_system_name = '$sourceSystemName') AS t")
   .option("user",devUserName)
   .option("password",devPassword).load()

不需要额外的配置，数据处理的效率也尽可能高，就在它所在的地方。