Mengonversi tabel mysql ke set data percikan sangat lambat dibandingkan dengan yang sama dari file csv

Masalah ini telah dibahas beberapa kali di StackOverflow:

• Bagaimana cara meningkatkan performa untuk tugas Spark yang lambat menggunakan koneksi DataFrame dan JDBC?
• spark jdbc df limit... apa fungsinya?
• Bagaimana cara menggunakan sumber JDBC untuk menulis dan membaca data di (Py)Spark?

dan di sumber eksternal:

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

jadi hanya untuk mengulangi - secara default DataFrameReader.jdbc tidak mendistribusikan data atau membaca. Ini menggunakan utas tunggal, pelaksana tunggal.

Untuk mendistribusikan bacaan:

• gunakan rentang dengan 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
      )