时间戳

首页 > 解决方案 > Spark JDBC 读取仅在一个分区中结束

apache-spark - Spark JDBC 读取仅在一个分区中结束

问题描述

我有以下代码片段，用于从我从中提取所有可用数据的 Postgresql 表中读取数据，即select * from table_name：

 jdbcDF = spark.read \
    .format("jdbc") \
    .option("url", self.var_dict['jdbc_url']) \
    .option("dbtable", "({0}) as subq".format(query)) \
    .option("user", self.var_dict['db_user']) \
    .option("password", self.var_dict['db_password']) \
    .option("driver", self.var_dict['db_driver']) \
    .option("numPartitions", 10) \
    .option("fetchsize", 10000) \
    .load()

其中 var_dict 是一个字典，其中包含我的变量，例如 spark context 、 database creds 等。

即使我拉动数百万行，下面代码的结果也总是返回 1：

partitions_num = jdbcDF.rdd.getNumPartitions()

如果我在这里做错了什么，有人可以建议吗？理想情况下，我应该使用最大的可用资源，而不是仅将数据拉到我的主节点。

partitionColumn、lowerBound、upperBound 不能用作我的分区列是时间戳而不是数字。

标签： apache-sparkpysparkpyspark-sqlspark-jdbc

解决方案

从 spark 2.4.0 开始，日期和时间戳列也支持分区， https://issues.apache.org/jira/browse/SPARK-22814

推荐阅读