Преобразуването на mysql таблица в набор от данни на spark е много бавно в сравнение със същото от csv файл

Този проблем е разглеждан многократно в StackOverflow:

• Как да подобря производителността за бавни задачи на Spark с помощта на DataFrame и JDBC връзка?
• spark jdbc df limit... какво прави?
• Как да използвам JDBC източник за писане и четене на данни в (Py)Spark?

и във външни източници:

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

така че само да повторя - по подразбиране DataFrameReader.jdbc не разпространява данни или чете. Използва една нишка, един изпълнител.

За разпространение на четения:

• използвайте диапазони с 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
      )