apache-spark - 如何使用DataFrame和JDBC连接为缓慢的Spark作业提高性能？

Question

我正在尝试通过JDBC在单个节点(local [*])上以独立模式访问中型Teradata表(约1亿行)。

我正在使用Spark 1.4.1。并安装在功能非常强大的计算机(2 cpu，24核，126G RAM)上。

我尝试了几种内存设置和调整选项，以使其运行更快，但是它们都没有产生很大的影响。

我确定我缺少一些东西，下面是我的最后一次尝试，它花费了大约11分钟来获得这个简单的计数，而通过R的JDBC连接使用它仅花费了40秒来获得计数。

bin/pyspark --driver-memory 40g --executor-memory 40g

df = sqlContext.read.jdbc("jdbc:teradata://......)
df.count()

当我尝试使用BIG表(5B记录)时，查询完成后未返回任何结果。

Answer 1

将整个数据集检索到内存中的DataFrame集合后，将执行所有聚合操作。因此，在Spark中进行计数永远不会像直接在TeraData中那样高效。有时值得通过以下方式将一些计算推送到数据库中:创建 View ，然后使用JDBC API映射这些 View 。

每次使用JDBC驱动程序访问大表时，都应指定分区策略，否则将创建具有单个分区的DataFrame/RDD，并且将使单个JDBC连接过载。

相反，您想尝试以下AI(自Spark 1.4.0+起):

sqlctx.read.jdbc(
  url = "<URL>",
  table = "<TABLE>",
  columnName = "<INTEGRAL_COLUMN_TO_PARTITION>", 
  lowerBound = minValue,
  upperBound = maxValue,
  numPartitions = 20,
  connectionProperties = new java.util.Properties()
)

还有一个选项可以降低某些过滤条件。

如果没有统一分布的整数列，则要通过指定自定义谓词(where语句)来创建一些自定义分区。例如，假设您有一个timestamp列，并想按日期范围划分:

    val predicates = 
  Array(
    "2015-06-20" -> "2015-06-30",
    "2015-07-01" -> "2015-07-10",
    "2015-07-11" -> "2015-07-20",
    "2015-07-21" -> "2015-07-31"
  )
  .map {
    case (start, end) => 
      s"cast(DAT_TME as date) >= date '$start'  AND cast(DAT_TME as date) <= date '$end'"
  }

 predicates.foreach(println) 

// Below is the result of how predicates were formed 
//cast(DAT_TME as date) >= date '2015-06-20'  AND cast(DAT_TME as date) <= date '2015-06-30'
//cast(DAT_TME as date) >= date '2015-07-01'  AND cast(DAT_TME as date) <= date '2015-07-10'
//cast(DAT_TME as date) >= date '2015-07-11'  AND cast(DAT_TME as date) <= date //'2015-07-20'
//cast(DAT_TME as date) >= date '2015-07-21'  AND cast(DAT_TME as date) <= date '2015-07-31'


sqlctx.read.jdbc(
  url = "<URL>",
  table = "<TABLE>",
  predicates = predicates,
  connectionProperties = new java.util.Properties()
)

它将生成一个DataFrame，其中每个分区将包含与不同谓词关联的每个子查询的记录。

在DataFrameReader.scala检查源代码