Konwersja tabeli mysql do zestawu danych Spark jest bardzo powolna w porównaniu do tego samego z pliku csv

Ten problem został omówiony wielokrotnie na StackOverflow:

• Jak poprawić wydajność powolnych zadań Spark przy użyciu DataFrame i połączenia JDBC?
• spark jdbc df limit... co to robi?
• Jak używać źródła JDBC do zapisywania i odczytywania danych w (Py)Spark?

oraz w źródłach zewnętrznych:

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

więc powtórzę - domyślnie DataFrameReader.jdbc nie dystrybuuje danych ani odczytów. Używa jednego wątku, jednego wykonawcy.

Aby rozpowszechniać odczyty:

• użyj zakresów z 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
      )