Spark主要是以JDBC驱动的方式读写MySQL的。在提交Spark作业时别忘记了打包驱动包mysql-connector-java-5.1.47.jar(用合适自己项目的版本)。
一、Spark加载MySQL表
Spark提供了两种(并行)读MySQL的方式。
1. 基于整型列设置并行度
先上代码,对着代码再做详细的解释:
def readByIntegralColumn(spark: SparkSession): Unit = {
val options = Map(
"url" -> "jdbc:mysql://host:3306/dbName", // jdbc的url
"dbtable" -> "tableName", //MySQL表名
"user" -> "userName", //用户名
"password" -> "passwd", //密码
"driver" -> "com.mysql.jdbc.Driver", //驱动
"partitionColumn" -> "id", //被用来分区的整型列
"lowerBound" -> "1", //要读取的整型列的下界(包含下界)
"UpperBound" -> "400000", //要读取的整型列的上界(不包含上界)
"numPartitions" -> "10" //分区数
)
spark.read
.format("jdbc")
.options(options)
.load()
.write
.saveAsTable("dbName.tableName")
}
上面代码中,要读取MySQL中id值从1到400000的行,并划分10个分区,每个分区平均读取40000条记录。
2. 基于范围设置并行度
同样先上代码,对着代码再做详细的解释:
def readByRange(spark: SparkSession): Unit = {
//用户名和密码
val prop = new Properties()
prop.put("user", "userName")
prop.put("password", "passwd")
val url = "jdbc:mysql://host:3306//dbName" //url
val table = "tableName" //表名
//predicates参数就相当于在where表达式中的范围, 有几个范围就有几个分区进行并行读取
val predicates = Array[String](
"created_at < '2018-08-01 00:00:00'",
"created_at >= '2018-08-01 00:00:00' && created_at < '2018-10-01 00:00:00'",
"created_at >= '2018-10-01 00:00:00'")
spark.read
.jdbc(url, table, predicates, prop)
.write.saveAsTable("dbName.tableName")
}
上面代码中,基于MySQL中记录的创建时间来划分分区,predicates中设置的范围区间数就是分区数。当然,也可以是使用其他任何可以进行区间查询的列来设置分区数。
注意:不要在集群上并行创建太多分区,否则可能会给MySQL产生很大的访问压力,甚至可能会导致数据库系统崩溃
二、Spark持久化数据到MySQL
Spark写MySQL比较简单,直接看代码:
def writeMySQL(spark: SparkSession): Unit = {
val host = "hostname" //MySQL服务器地址
val port = "3306" //端口号
val userName = "userName" //用户名
val password = "password" //访问密码
val dbName = "dbName" //库名
val jdbcUrl = s"jdbc:mysql://${host}:${port}/${dbName }" //jdbc url
import java.util.Properties
val prop = new Properties()
prop.put("user", userName)
prop.put("password", password)
spark.read.table("db.test")
.coalesce(10) //调节写入并行度(增加并行度要用repartition(n))
.write
.mode("append") //追加写入()
.jdbc(jdbcUrl, "test", prop)
}
写入的时候需要注意并行度,以免给MySQL带来太大写入压力。