Spark（pyspark）速度测试

Question

我通过jdbc连接到一个有500'000'000行和14列的DB。

这是使用的代码：

from pyspark.sql import SparkSession

spark = SparkSession.builder.getOrCreate()

properties = {'jdbcurl': 'jdbc:db:XXXXXXXXX','user': 'XXXXXXXXX', 'password': 'XXXXXXXXX'}

data = spark.read.jdbc(properties['jdbcurl'], table='XXXXXXXXX', properties=properties)

data.show()

上面的代码用了9秒钟来显示数据库的前20行。

后来我创建了一个SQL临时视图

data[['XXX','YYY']].createOrReplaceTempView("ZZZ")

然后我运行了以下查询：

sqlContext.sql('SELECT AVG(XXX) FROM ZZZ').show()

上面的代码花了1355.79秒（大约23分钟）。这个可以吗？这似乎是一个很长的时间。

最后，我试着计算数据库的行数

sqlContext.sql('SELECT COUNT(*) FROM ZZZ').show()

花了2848.95秒（大约48分钟）。

我做错了还是这些金额是标准的？

Answer 1

当您使用此方法读取jdbc源时，您会失去并行性，这是spark的主要优势。请阅读official spark jdbc guidelines，特别是关于partitionColumn，lowerBound，upperBound和numPartitions。这将允许spark并行运行多个JDBC查询，从而产生分区数据帧。

调整fetchsize参数也可能对某些数据库有所帮助。