无主键列的 Spark jdbc 读取性能调优

Posted 2023-04-18

【中文标题】无主键列的 Spark jdbc 读取性能调优

【英文标题】：Spark jdbc read performance tuning with no primary key column

【发布时间】：2019-09-26 08:23:17

【问题描述】：

我正在运行一个 spark 分析应用程序并使用 spark jdbc 直接读取 MSSQL Server 表（整个表）。该表有超过 30M 的记录，但没有任何主键列或整数列。由于表格没有这样的列，我无法使用partitionColumn，因此阅读表格需要太多时间。

val datasource = spark.read.format("jdbc")
                .option("url", "jdbc:sqlserver://host:1433;database=mydb")
                .option("driver", "com.microsoft.sqlserver.jdbc.SQLServerDriver")
                .option("dbtable", "dbo.table")
                .option("user", "myuser")
                .option("password", "password")
                .option("useSSL", "false").load()

在这种情况下，有什么方法可以提高性能，并在从关系数据库源（源可能是 Oracle、MSSQL Server、mysql、DB2）读取数据时使用并行性。

【问题讨论】：

太模糊了。加入？只想要增量或所有数据 oer 表？

How to optimize partitioning when migrating data from JDBC source?的可能重复

我已经更新了这个问题。如果我们没有任何 CLI 列，我肯定必须阅读整个表格。

@user10958683 - 不是真的，我的表没有任何主键或更改数据标识符列或整数列。

使用 sqoop 并进行一些分析以确定合适的拆分列

【参考方案1】：

唯一的方法是编写一个返回分区数据的查询并将partitionColumn指定到生成的新列中，但我不知道这是否真的可以加速您的摄取。

以伪sql代码为例：

val myReadQuery = SELECT *,(rowid %5) as part from table

之后

val datasource = spark.read.format("jdbc")
                .option("url", "jdbc:sqlserver://host:1433;database=mydb")
                .option("driver", "com.microsoft.sqlserver.jdbc.SQLServerDriver")
                .option("dbtable", s"($myReadQuery) as t")
                .option("user", "myuser")
                .option("password", "password")
                .option("useSSL", "false").
                .option("numPartitions", 5)
                .option("partitionColumn", "part")
                .option("lowerBound", 1)
                .option("upperBound", 5).load()

但是我已经说过了，我不确定这是否可以改善您的摄取。 因为这会导致这样的 5 个并行查询：

SELECT * from (select *, (rowid%5) as part from table) where part >= 0 and part < 1
SELECT * from (select *, (rowid%5) as part from table) where part >= 1 and part < 2
SELECT * from (select *, (rowid%5) as part from table) where part >= 2 and part < 3
SELECT * from (select *, (rowid%5) as part from table) where part >= 3 and part < 4
SELECT * from (select *, (rowid%5) as part from table) where part >= 4 and part < 5 

但我认为，如果在你的表中有一个索引，你可以使用索引提取一个整数，通过 mod 操作可以拆分读取操作，同时可以加快读取查询。

【讨论】：

我相信，partitionColumn 应该是主键列或整数列。你能解释一下numPartitions、numPartitions、lowerBound和upperBound在我的例子中的用法吗？

是的。 PartitionColumn 必须是整数类型，但您可以创建一个可以用作分区器的整数字段。 numPartitions 是读取分区的编号，lowerBound 和 upperBound 用于指定 partitionColumn 的最大值和最小值，因此 spark，内部可以像我之前写的那样构建查询并并行运行查询而不会重复