Apache spark 关于Spark Dataframereader jdbc
我有一个关于Spark Dataframereader机制的问题。如果有人能帮助我,我将不胜感激。让我在这里解释一下情况 我正在从这样的数据流创建一个数据帧。这是输入数据中的一部分Apache spark 关于Spark Dataframereader jdbc,apache-spark,apache-spark-sql,Apache Spark,Apache Spark Sql,我有一个关于Spark Dataframereader机制的问题。如果有人能帮助我,我将不胜感激。让我在这里解释一下情况 我正在从这样的数据流创建一个数据帧。这是输入数据中的一部分 var config = new HashMap[String,String](); config += ("zookeeper.connect" ->zookeeper); config += ("partition.assign
var config = new HashMap[String,String]();
config += ("zookeeper.connect" ->zookeeper);
config += ("partition.assignment.strategy" ->"roundrobin");
config += ("bootstrap.servers" ->broker);
config += ("serializer.class" -> "kafka.serializer.DefaultEncoder");
config += ("group.id" -> "default");
val lines = KafkaUtils.createDirectStream[String, Array[Byte], StringDecoder, DefaultDecoder](ssc,config.toMap,Set(topic)).map(_._2)
lines.foreachRDD { rdd =>
if(!rdd.isEmpty()){
val rddJson = rdd.map { x => MyFunctions.mapToJson(x) }
val sqlContext = SQLContextSingleton.getInstance(ssc.sparkContext)
val rddDF = sqlContext.read.json(rddJson)
rddDF.registerTempTable("inputData")
val dbDF = ReadDataFrameHelper.readDataFrameHelperFromDB(sqlContext, jdbcUrl, "ABCD","A",numOfPartiton,lowerBound,upperBound)
以下是ReadDataFrameHelper的代码
def readDataFrameHelperFromDB(sqlContext:HiveContext,jdbcUrl:String,dbTableOrQuery:String,
columnToPartition:String,numOfPartiton:Int,lowerBound:Int,highBound:Int):DataFrame={
val jdbcDF = sqlContext.read.jdbc(url = jdbcUrl, table = dbTableOrQuery,
columnName = columnToPartition,
lowerBound = lowerBound,
upperBound = highBound,
numPartitions = numOfPartiton,
connectionProperties = new java.util.Properties()
)
jdbcDF
}
最后,我正在做一个这样的连接
val joinedData = rddDF.join(dbDF,rddDF("ID") === dbDF("ID")
&& rddDF("CODE") === dbDF("CODE"),"left_outer")
.drop(dbDF("code"))
.drop(dbDF("id"))
.drop(dbDF("number"))
.drop(dbDF("key"))
.drop(dbDF("loaddate"))
.drop(dbDF("fid"))
joinedData.show()
我的输入数据流将有1000行,数据将包含数百万行。因此,当我执行此联接时,将spark从数据库中加载所有行并读取这些行,或者这只是从DB中读取具有输入数据流中的
code,id
的特定行,正如zero323所指定的,我还确认将从表中读取全部数据。我检查了数据库会话日志,发现整个数据集都在加载
感谢zero323,它将加载完整的表。这里没有谓词下推。
columnToPartition
是否需要具有唯一的值?我无法预见使用非唯一列会违反读取操作的正确性(除了大小不均的任务)@y2k shubham问题不是正确性。是因为Dataframe重编了整个表并进行了计算。我仍然转移到了一个新项目。我不知道两年后我是如何解决这个问题的years@Saurabh莎玛:对不起,我不想澄清你的问题;相反,我是在问我自己的疑问:在方法spark.read.jdbc(..)
中,columnName
列是否需要在RDBMS端有唯一的约束?我一直认为这是必须的,但仔细看一下文档和示例,再深入思考,我觉得这并不是必须的。实际上,我的困惑源于列columnName
应该被索引以利用并行化的优势,并且由于唯一的列被索引,我认为。。但现在我明白了。谢谢你。