pyspark读取数据库性能优化

当数据量很大时，读取方式

dbtable写sql语句

dbtable和query配置不能同时存在，选一种即可。里面都可以直接写sql语句

python 复制代码

jdbcDF = spark.read.format("jdbc")\
    .option("driver",driver)\
    .option("url",url)\
    .option("dbtable","(select * from my_table where class='01' and sex='M' )")\
    .option("user",user)\
    .option("password",password)\
		.load().select("org_code","operate_id")

如果dbtable是一个表，如果load()后进行where和select，都会把整张表加载进来，耗内存。直接写sql语句比较好。

并行方式读取数据库

一般来说，默认读数据库，numPartition是1。

以下代码使得读取数据库并行读是10。

python 复制代码

jdbcDF = spark.read.format("jdbc")\
    .option("driver",driver)\
    .option("url",url)\
    .option("dbtable","(select * from my_table where class='01' and sex='F' )")\
    .option("user",user)\
    .option("password",password)\
		.option("numPartitions",10)\
		.option("partitionColumn","id")\
		.option("lowerBound",0)\
		.option("upperBound",100000)
		.load().select("org_code","operate_id")

numPartitions是设置的最大分区数。（单独设置这一选项，没有设置partitionColumn，lowerBound，upperBound，我怎么试实际运行numPartitions值都是1。大概是spark不知道怎么分割分区）

partitionColumn，lowerBound，upperBound这三个选项必须同时设置。(upperBound-lowerBound)/numPartitions是步长。即使数据内容低于lowerBound，或高于upperBound，依然会把所有数据都加载进来。

比如设置partitionColumn为id列，lowerBound为100，upperBound为400，numPartitions为3，实际内容有小于100的，也有大于300的。

那么第一个分区是低于200的，第二个分区是[200,300)，第三个分区是大于等于300的

partitionColumn列的值必须是numeric, date, 或 timestamp类型的。

如果是date类型，可以写.option("lowerBound","2023-01-01")

如果是timestamp类型，可以写.option("lowerBound","2023-01-01 00:00:00")