本文旨在介紹 Spark 通過JDBC讀取數據庫數據的四種API
調用前準備
對於不同的數據庫，需要在spark的環境中添加對應的依賴包，如：
<dependency>
<groupId>org.postgresql</groupId>
<artifactId>postgresql</artifactId>
<version>42.1.4</version>
</dependency>
四種API簡介
1.單分區模式
函數：
def jdbc(url: String, table: String, properties: Properties): DataFrame
使用示例：
val url = "jdbc:mysql://mysqlHost:3306/database"
val tableName = "table"
// 設置連接用戶&密碼
val prop = new java.util.Properties
prop.setProperty("user","username")
prop.setProperty("password","pwd")
// 取得該表數據
val jdbcDF = sqlContext.read.jdbc(url,tableName,prop)
// 一些操作
....
從入參可以看出，只需要傳入JDBC URL、表名及對應的賬號密碼Properties即可。但是計算此DF的分區數後發現，這種不負責任的寫法，併發數是1
jdbcDF.rdd.partitions.size=1
操作大數據集時，spark對MySQL的查詢語句等同於可怕的：select * from table; ,而單個分區會把數據都集中在一個executor，當遇到較大數據集時，都會產生不合理的資源佔用：MySQL可能hang住，spark可能會OOM，所以不推薦生產環境使用；
2.指定Long型column字段的分區模式
函數：
def jdbc(
url: String,
table: String,
columnName: String,
lowerBound: Long,
upperBound: Long,
numPartitions: Int,
connectionProperties: Properties): DataFrame
使用id做分片字段的示例：
val url = "jdbc:mysql://mysqlHost:3306/database"
val tableName = "table"
val columnName = "id"
val lowerBound = getMinId()
val upperBound = getMaxId()
val numPartitions = 200
// 設置連接用戶&密碼
val prop = new java.util.Properties
prop.setProperty("user","username")
prop.setProperty("password","pwd")
// 取得該表數據
val jdbcDF = sqlContext.read.jdbc(url,tableName, columnName, lowerBound, upperBound,numPartitions,prop)
// 一些操作
....
從入參可以看出，通過指定 id 這個數字型的column作爲分片鍵，並設置最大最小值和指定的分區數，可以對數據庫的數據進行併發讀取。是不是numPartitions傳入多少，分區數就一定是多少呢？其實不然，通過對源碼的分析可知：
if upperBound-lowerBound >= numPartitions:
jdbcDF.rdd.partitions.size = numPartitions
else
jdbcDF.rdd.partitions.size = upperBound-lowerBound
拉取數據時，spark會按numPartitions均分最大最小ID，然後進行併發查詢，並最終轉換成RDD，例如：
入參爲：
lowerBound=1, upperBound=1000, numPartitions=10
對應查詢語句組爲：
JDBCPartition(id < 101 or id is null,0),
JDBCPartition(id >= 101 AND id < 201,1),
JDBCPartition(id >= 201 AND id < 301,2),
JDBCPartition(id >= 301 AND id < 401,3),
JDBCPartition(id >= 401 AND id < 501,4),
JDBCPartition(id >= 501 AND id < 601,5),
JDBCPartition(id >= 601 AND id < 701,6),
JDBCPartition(id >= 701 AND id < 801,7),
JDBCPartition(id >= 801 AND id < 901,8),
JDBCPartition(id >= 901,9)
建議在使用此方式進行分片時，需要評估好 numPartitions 的個數，防止單片數據過大；同時需要column字段的索引建立情況，防止查詢語句出現慢SQL影響取數效率。
如果column的數字是離散型的，爲了防止拉取時出現過多空分區，以及不必要的一些數據傾斜，需要使用特殊手段進行處理，具體可以參考Spark JDBC系列--讀取優化。
3.高自由度的分區模式
函數：
def jdbc(
url: String,
table: String,
predicates: Array[String],
connectionProperties: Properties): DataFrame
使用給定分區數組的示例：
/**
* 將近90天的數據進行分區讀取
* 每一天作爲一個分區，例如
* Array(
* "2015-09-17" -> "2015-09-18",
* "2015-09-18" -> "2015-09-19",
* ...)
**/
def getPredicates = {
val cal = Calendar.getInstance()
cal.add(Calendar.DATE, -90)
val array = ArrayBuffer[(String,String)]()
for (i <- 0 until 90) {
val start = new SimpleDateFormat("yyyy-MM-dd").format(cal.getTime())
cal.add(Calendar.DATE, +1)
val end = new SimpleDateFormat("yyyy-MM-dd").format(cal.getTime())
array += start -> end
}
val predicates = array.map {
case (start, end) => s"gmt_create >= '$start' AND gmt_create < '$end'"
}
predicates.toArray
}
val predicates = getPredicates
//鏈接操作
...
從函數可以看出，分區數組是多個並行的自定義where語句，且分區數爲數據size：
jdbcDF.rdd.partitions.size = predicates.size
建議在使用此方式進行分片時，需要評估好 predicates.size 的個數，防止防止單片數據過大；同時需要自定義where語句的查詢效率，防止查詢語句出現慢SQL影響取數效率。
4.自定義option參數模式
函數示例：
val jdbcDF = sparkSession.sqlContext.read.format("jdbc")
.option("url", url)
.option("driver", "com.mysql.jdbc.Driver")
.option("dbtable", "table")
.option("user", "user")
.option("partitionColumn", "id")
.option("lowerBound", 1)
.option("upperBound", 10000)
.option("fetchsize", 100)
.option("xxx", "xxx")
.load()
從函數可以看出，option模式其實是一種開放接口，spark會根據具體的參數，來決定使用上述三種方式中的某一種。
所有支持的參數具體可以參考官方文檔：官方JDBC配置文檔 此處附上截圖：
結語
JDBC的讀取性能受很多條件影響，需要根據不同的數據庫，表，索引，數據量，spark集羣的executor情況等綜合考慮，線上環境的操作，建議進行讀寫分離，即讀備庫，寫主庫。