Spark读取数据库(Mysql)的四种方式讲解
目前Spark支持四种方式从数据库中读取数据，这里以Mysql为例进行介绍。
一、不指定查询条件
这个方式链接MySql的函数原型是：
defjdbc(url:String,
table:String,
properties:Properties):DataFrame
|
我们只需要提供Driver的url，需要查询的表名，以及连接表相关属性properties。下面是具体例子：
val sqlContext = new org.apache.spark.sql.SQLContext(sc) val df = sqlContext.read.jdbc("jdbc:mysql://10.1.13.65:3306/obd_cxm?user=root&password=123456", "statistics_car", propdb ) println(df.count())
println(df.rdd.partitions.size)
|
我们运行上面的程序，可以看到df.rdd.partitions.size输出结果是1，这个结果的含义是iteblog表的所有数据都是由RDD的一个分区处理的，所以说，如果你这个表很大，很可能会出现OOM
WARN
TaskSetManager:Lost
task 0.0in
stage 1.0(TID14,
spark047219):
java.lang.OutOfMemoryError:GC
overhead limit exceeded at com.mysql.jdbc.MysqlIO.reuseAndReadPacket(MysqlIO.java:3380)
|
这种方式在数据量大的时候不建议使用。
带条件的查询，此处用到了不为null ,注意需要都小写
二、指定数据库字段的范围
这种方式就是通过指定数据库中某个字段的范围，但是遗憾的是，这个字段必须是数字，来看看这个函数的函数原型：
defjdbc(
url:String,
table:String,
columnName:String,
lowerBound:Long,
upperBound:Long,
numPartitions:Int,
connectionProperties:Properties):DataFrame
|
前两个字段的含义和方法一类似。columnName就是需要分区的字段，这个字段在数据库中的类型必须是数字；lowerBound就是分区的下界；upperBound就是分区的上界；numPartitions是分区的个数。同样，我们也来看看如何使用：
vallowerBound=1
valupperBound=100000
valnumPartitions=5
valprop=newProperties()
valdf=sqlContext.read.jdbc(url,"iteblog","id",
lowerBound, upperBound, numPartitions, prop)
|
这个方法可以将iteblog表的数据分布到RDD的几个分区中，分区的数量由numPartitions参数决定，在理想情况下，每个分区处理相同数量的数据，我们在使用的时候不建议将这个值设置的比较大，因为这可能导致数据库挂掉！但是根据前面介绍，这个函数的缺点就是只能使用整形数据字段作为分区关键字。
这个函数在极端情况下，也就是设置将numPartitions设置为1，其含义和第一种方式一致。
三、根据任意字段进行分区
基于前面两种方法的限制，Spark还提供了根据任意字段进行分区的方法，函数原型如下：
defjdbc(
url:String,
table:String,
predicates:Array[String],
connectionProperties:Properties):DataFrame
|
这个函数相比第一种方式多了predicates参数，我们可以通过这个参数设置分区的依据，来看看例子：
valpredicates=Array[String]("reportDate
<= '2014-12-31'",
"reportDate
> '2014-12-31' and reportDate <= '2015-12-31'")
valprop=newProperties()
valdf=sqlContext.read.jdbc(url,"iteblog",
predicates, prop)
|
最后rdd的分区数量就等于predicates.length。
四、通过load获取
Spark还提供通过load的方式来读取数据。
sqlContext.read.format("jdbc").options(
"dbtable"->"iteblog")).load()
|
options函数支持url、driver、dbtable、partitionColumn、lowerBound、upperBound以及numPartitions选项，细心的同学肯定发现这个和方法二的参数一致。是的，其内部实现原理部分和方法二大体一致。同时load方法还支持json、orc等数据源的读取。