使用 Apache Spark SQL 和 Java 直接运行 sql 查询

Posted 2023-03-27

【中文标题】使用 Apache Spark SQL 和 Java 直接运行 sql 查询

【英文标题】：Run directly sql query with Apache Spark SQL with Java

【发布时间】：2016-10-07 09:50:25

【问题描述】：

我试图弄清楚如何使用 Spark SQL 直接执行查询。我的意思是：

SQLContext sql = new SQLContext(ctx);
sql.sql("QUERY HERE");

但是如何设置数据库的连接信息呢？我正在使用 Oracle 数据库。在我使用sql.read().jdbc.. 方式之前。在那里我将连接 URL 作为参数传递。但与 SQL 控制台上的直接查询（0.05 秒）相比，这种方式确实很慢（4 秒）。

问候

【参考方案1】：

您可能缺少 Spark SQL 的概念。

它不是实时代理数据库的引擎。对于快速缓存，您可能需要使用数据网格，例如 Oracle Coherence、Hazelcast 或 Apache Ignite（随机顺序）

Spark 用于对海量数据集进行快速计算。在 Databricks 博客上的 03.10 中，article 使用了 CERN 的 Spark 用例 - 在数据库上运行 12 小时的大查询在 Spark 中只需要 2 分钟！

那么，为什么您的查询很慢？ Spark SQL 更类似于 OLAP 系统，而不是 OLTP。它可以非常快速地处理海量数据集。但是这些数据必须从数据库中读取，然后在 Spark 中计算。这就是为什么在您的情况下时间要大得多的原因，它是加载时间 + 计算时间。数据库引擎可以一步完成读取和计算（当然，近似值，实现可能不同）。

当您拥有更多数据时，加载时间占执行时间的百分比会更小，处理时间会更长。然后Spark会尽力而为。这是因为数据库引擎中的处理速度比 Spark 中慢得多——Spark 可以更好地并行化查询。

如何调整查询？读取一次，然后缓存到内存中，然后在查询中使用。在小数据集上它仍然可能会更慢，但在大数据集上以及大量使用此 DataFrame 时它会有所帮助

【讨论】：

那么如果现在数据增加一倍或三倍或更多，Spark 是否又需要 4 秒？最后一部分。因此，在应用程序启动时，我缓存了我的所有数据帧，例如 DataFrame dfCached = sql.read().jdbc(URL, "TABLE", props).cache();，然后只在这个 df 上工作？

如果有更多数据到达，Spark 必须从数据库中读取它们。所以是的，2 倍的数据 = 2 倍的数据加载时间。但是请记住执行时间，在那里您可以节省很多时间。关于第二个问题 - 是的，完全正确。第一次查询会很慢（然后 Spark 会读取数据），但接下来会快得多。您可以通过registerTempView 在 SQL 查询中使用 dfCached

2x more data = 2x time of loading data. 所以 Spark 慢了 2 倍？ Atm Im 用一个从属设备进行所有测试。那么有了更多的奴隶，Spark 应该会更快吗？再说第二个：但是经常变化的数据呢，缓存不太好。

大约。 Spark 当然可以分发加载数据，但是更多的数据将需要更多的时间。您必须在自己的环境中进行性能测试。是的，当数据经常变化时，Spark SQL 并不好——它只是不是 Spark SQL 的用例。但是，也许 Spark Streaming 会很好？仅接收新数据并与历史数据联合

我尝试了 Spark Streaming，但不明白如何接收我的数据来构建 Object i Java。我有一个包含 spark 应用程序的 tomcat。以及如何正确缓存。如果表是 10gb 大，我不能把所有的东西都放在内存中。如果我需要加入等等，我需要缓存更多。