La conversione della tabella MySQL in Spark dataset è molto lenta rispetto allo stesso file CSV

Questo problema è stato trattato più volte su StackOverflow:

• Come migliorare le prestazioni per lavori Spark lenti utilizzando DataFrame e connessione JDBC?
• spark jdbc df limit... cosa sta facendo?
• Come utilizzare la sorgente JDBC per scrivere e leggere dati in (Py)Spark?

e da fonti esterne:

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

quindi solo per ribadire - per impostazione predefinita DataFrameReader.jdbc non distribuisce dati o legge. Utilizza un thread singolo, un singolo esecutore.

Per distribuire le letture:

• usa gli intervalli con 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
      )