我有一个每晚运行大约18个小时的过程。该操作的要点是，对上游服务进行轮询，然后将数据应用于我自己的数据库-而不是一对一，而是在必要时进行按摩，比较和快照(因此进行了比较，还有其他一些将平面文件转换为关系结构所涉及的功能)。
上游已同意每晚向我们提供一个单独的，相当大的csv文件，以减少轮询时间。
我正在考虑使用Spark / hdfs分发每晚同步/合并的过程。但是我想知道如何最好地做到这一点？因为如果我经常查询数据库以进行比较，插入等，我的数据库将受到重创。
在这种情况下最好的方法是什么？我曾考虑过将自己的数据与上游数据一起下载到内存中，以使比较更快，但是由于这些数据库每月都在快速增长，因此我需要一种可扩展的方法。
最佳答案
我的建议:
1，从大型CSV文件和数据库中提取主键，并将它们保存到单独的键文件K1，K2中；
2，在内存中使用spark比较K1和K2，并计算出K1置位的插入/更新标志，输出为(k1，插入/更新标志)；还更新K2以加快下一次计算；
3，以优化的方式插入/更新数据库。
比较过程(第2步)非常消耗数据库资源。将其移至大数据平台将减轻数据库压力。
关于database - 快速从CSV对DB表进行数据同步，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/34248618/