Spark JDBC 读取仅在一个分区中结束

Posted 2023-03-27

【中文标题】Spark JDBC 读取仅在一个分区中结束

【英文标题】：Spark JDBC read ends up in one partition only

【发布时间】：2019-02-28 13:57:08

【问题描述】：

我有以下代码 sn-p 用于从 Postgresql 表中读取数据，我从中提取所有可用数据，即select * from table_name：

 jdbcDF = spark.read \
    .format("jdbc") \
    .option("url", self.var_dict['jdbc_url']) \
    .option("dbtable", "(0) as subq".format(query)) \
    .option("user", self.var_dict['db_user']) \
    .option("password", self.var_dict['db_password']) \
    .option("driver", self.var_dict['db_driver']) \
    .option("numPartitions", 10) \
    .option("fetchsize", 10000) \
    .load()

其中 var_dict 是一个字典，其中包含我的变量，例如 spark 上下文、数据库凭据等。

即使我提取数百万行，下面代码的结果也总是返回 1：

partitions_num = jdbcDF.rdd.getNumPartitions()

如果我在这里做错了什么，有人可以建议吗？理想情况下，我应该使用最大的可用资源，而不是仅将数据拉到我的主节点。

partitionColumn、lowerBound、upperBound 不能使用，因为我的分区列是时间戳而不是数字。

【问题讨论】：

Partitioning in spark while reading from RDBMS via JDBC的可能重复

请在此处查看我的答案：***.com/a/40938905/2639647

【参考方案1】：

从 spark 2.4.0 开始，日期和时间戳列也支持分区， https://issues.apache.org/jira/browse/SPARK-22814