摘要：实践解析如何利用 SarkSQL 高并发进行读取数据库和存储数据到数据库。
本文分享自华为云社区《SarkSQL高并发读取数据库和存储数据到数据库》，作者：Copy 工程师 。
1. SparkSql 高并发读取数据库
SparkSql 连接数据库读取数据给了三个 API：
//Construct a DataFrame representing the database table accessible via JDBC URL url named table and connection properties.Dataset<Row> jdbc(String url, String table, java.util.Properties properties)//Construct a DataFrame representing the database table accessible via JDBC URL url named table using connection properties.Dataset<Row> jdbc(String url, String table, String[] predicates, java.util.Properties connectionProperties)//Construct a DataFrame representing the database table accessible via JDBC URL url named table.Dataset<Row> jdbc(String url, String table, String columnName, long lowerBound, long upperBound, int numPartitions, java.util.Properties connectionProperties)
复制代码
三个 API 介绍：
1、单个分区，单个 task 执行，无并发
遇到数据量很大的表，抽取速度慢。
实例：
SparkSession sparkSession = SparkSession.builder().appName("SPARK_FENGDING_TASK1").master("local").config("spark.testing.memory", 471859200).getOrCreate();// 配置连接属性Properties dbProps = new Properties();dbProps.put("user","user");dbProps.put("password","pwd");dbProps.put("driver","oracle.jdbc.driver.OracleDriver");// 连接数据库 获取数据 要使用自己的数据库连接串Dataset<Row> tableDf = sparkSession.read().jdbc("jdbc:oracle:thin:@IP:1521:DEMO", "TABLE_DEMO", dbProps);// 返回1tableDf.rdd().getPartitions();
复制代码
该 API 的并发数为 1，单分区，不管你留给该任务节点多少资源，都只有一个 task 执行任务
2、任意字段分区
该 API 是第二个 API，根据设置的分层条件设置并发度：
def jdbc( url: String, table: String, predicates: Array[String], #这个是分层的条件，一个数组 connectionProperties: Properties): DataFrame = { val parts: Array[Partition] = predicates.zipWithIndex.map { case (part, i) => JDBCPartition(part, i) : Partition } jdbc(url, table, parts, connectionProperties)}
复制代码
实例：
// 设置分区条件 通过入库时间 把 10月和11月 的数据 分两个分区String[] patitions = {"rksj >= '1569859200' and rksj < '1572537600'","rksj >= '1572537600' and rksj < '1575129600'"};// 根据StudentId 分15个分区，就会有15个task抽取数据Dataset<Row> tableDf3 = sparkSession.read().jdbc("jdbc:oracle:thin:@IP:1521:DEMO", "TABLE_DEMO",patitions,dbProps);// 返回2tableDf3.rdd().getPartitions();
复制代码
该 API 操作相对自由，就是设置分区条件麻烦一点。
3、根据 Long 类型字段分区该 API 是第三个 API，根据设置的分区数并发抽取数据：
def jdbc( url: String, table: String, columnName: String, # 根据该字段分区，需要为整形，比如id等 lowerBound: Long, # 分区的下界 upperBound: Long, # 分区的上界 numPartitions: Int, # 分区的个数 connectionProperties: Properties): DataFrame = { val partitioning = JDBCPartitioningInfo(columnName, lowerBound, upperBound, numPartitions) val parts = JDBCRelation.columnPartition(partitioning) jdbc(url, table, parts, connectionProperties)}
复制代码
实例：
// 根据StudentId 分15个分区，就会有15个task抽取数据Dataset<Row> tableDf2 = sparkSession.read().jdbc("jdbc:oracle:thin:@IP:1521:DEMO", "TABLE_DEMO", "studentId",0,1500,15,dbProps);// 返回10tableDf2.rdd().getPartitions();
复制代码
该操作根据分区数设置并发度，缺点是只能用于 Long 类型字段。
2. 存储数据到数据库
存储数据库 API 给了 Class DataFrameWriter<T>类，该类有存储到文本，Hive，数据库的 API。这里只说数据库的 API，提一句，如果保存到 Text 格式，只支持保存一列。。。就很难受。
实例：
有三种写法
// 第一张写法，指定format类型，使用save方法存储数据库jdbcDF.write() .format("jdbc") .option("url", "jdbc:postgresql:dbserver") .option("dbtable", "schema.tablename") .option("user", "username") .option("password", "password") .save();// 第二种写法 使用jdbc写入数据库jdbcDF2.write() .jdbc("jdbc:postgresql:dbserver", "schema.tablename", connectionProperties);
// 第三种写法,也是使用jdbc，只不过添加createTableColumnTypes，创建表的时候使用该属性字段创建表字段jdbcDF.write() .option("createTableColumnTypes", "name CHAR(64), comments VARCHAR(1024)") .jdbc("jdbc:postgresql:dbserver", "schema.tablename", connectionProperties);
复制代码
当我们的表已经存在的时候，使用上面的语句就会报错表已存在，这是因为我们没有指定存储模式，默认是 ErrorIfExists
保存模式：
所以一般都是这样用：
tableDf3.write().mode(SaveMode.Append).jdbc("jdbc:oracle:thin:@IP:1521:DEMO", "TABLE_DEMO", connectionProperties);
对于 connectionProperties 还有很多其他选项：
这里面的 truncate 就是说当使用 SaveMode.Overwrite 的时候，设置 truncate 为 true，就会对表进行 truncate 语句清理表，不再是删除表在重建表的操作。
点击关注，第一时间了解华为云新鲜技术~
评论