Konvertering af mysql-tabel til spark-datasæt er meget langsom sammenlignet med samme fra csv-fil

Dette problem er blevet dækket flere gange på StackOverflow:

• Hvordan forbedrer man ydeevnen for langsomme Spark-job ved hjælp af DataFrame og JDBC-forbindelse?
• spark jdbc df limit... hvad laver den?
• Hvordan bruger man JDBC-kilde til at skrive og læse data i (Py)Spark?

og i eksterne kilder:

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

så bare for at gentage - som standard DataFrameReader.jdbc distribuerer ikke data eller læser. Den bruger enkelt tråd, enkelt exectuor.

For at distribuere læser:

• brug intervaller med 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
      )