azure - 从 Azure Databricks 将数据保存到 Cosmos DB 的速度非常慢

Question

我是 Azure 和 Databricks 的初学者，我在使用 Spark 连接器将大量数据(例如 5 GB)从 Azure Databricks 保存到 Cosmos DB 时遇到困难。

前言: 我面临一个问题，因为我想用大量行(例如 5 亿+)填充 Cosmos DB 容器以进行进一步测试。目前，我有一个容器(例如容器#1)，我在其中使用流分析传输遥测数据。我想要实现的是从容器 #1 中获取数据，将数据相乘多次，然后将其保存到新的容器 #2 中。我想使用 Spark 连接器和 Databricks 来解决这个问题，但是保存速度非常慢，例如。每 40 分钟 100 万行，当我想向其中保存 GB 的行时，这是 Not Acceptable 。另一方面，从容器中读取数据的速度非常快，例如。 130 万行需要 10 秒。我禁用了容器 #2 上的索引，因为我读到这应该会带来一些好处，但实际上并没有产生非常明显的差异。 容器 #2 设置为 2000 RU，容器 #1 设置为 1000 RU，两个吞吐量都设置为自动缩放。

不幸的是，我不知道我做错了什么，因此我们将不胜感激任何帮助，甚至是解决此问题的其他可能方法的建议(例如 Synapse Analytics 等)。

附注 我在某处读到，我应该首先尝试保存到 ADLS 2 存储，然后从中读取数据帧，然后读取到 Cosmos DB。它确实提供了改进，但仍然没有接近可接受的速度。

我提前为我的英语蹩脚道歉，而不是我的母语。

代码

配置

connectionConfigRead = {
  "spark.cosmos.accountEndpoint" : Endpoint,
  "spark.cosmos.accountKey" : Masterkey,
  "spark.cosmos.database" : Database,
  "spark.cosmos.container": Container,
  "spark.cosmos.read.inferSchema.enabled" : "false",
  "spark.cosmos.changeFeed.startFrom" : "Now"
}

connectionConfigWrite = {
  "spark.cosmos.accountEndpoint" : Endpoint,
  "spark.cosmos.accountKey" : Masterkey,
  "spark.cosmos.database" : Database,
  "spark.cosmos.container": Container2,
  "spark.cosmos.changeFeed.startFrom" : "Now"
}

从容器中读取

customSchema = StructType([
          StructField("iothub-connection-module-id", StringType()),
          StructField("value_type", StringType()),
          StructField("timestamp", DoubleType()),
          StructField("data", StringType()),
          StructField("IoTHub", StringType()),
          StructField("id", StringType()),
          StructField("EventEnqueuedUtcTime", StringType()),
          StructField("sensorId", StringType()),
          StructField("EventProcessedUtcTime", StringType()),
          StructField("PartitionId", IntegerType()),
          StructField("value", DoubleType())
    ])

readDF = (spark.read.schema(customSchema).format("cosmos.oltp").options(**connectionConfigRead).load())

写入容器

readDF.write.mode("append").format("cosmos.oltp").options(**connectionConfigWrite).save()

Answer 1

2 号容器没有足够的吞吐量。假设每次插入的速度为 10 RU/s，则 2000 RU/s 每秒最多可以执行 200 次插入。即 12k/分钟或 720k/小时。由于您只处理 5 GB 数据和数百万行，因此我会将自动缩放最大吞吐量扩展到 10000 RU/s，即 1000/秒或 3.6M/小时。获取有关 Spark 连接器的更多信息，Spark OLTP connector resources 。另外，请确保 Databricks 和 Cosmos DB 在同一区域中运行。这可能是导致延迟增加的原因。

如果您要查询容器#2，您需要对其建立索引。找出您用于过滤谓词、排序依据等的属性，并在需要时创建必要的范围和复合索引。