La conversion de la table mysql en jeu de données Spark est très lente par rapport à la même chose à partir du fichier csv

Ce problème a été traité plusieurs fois sur StackOverflow :

• Comment améliorer les performances des tâches Spark lentes à l'aide de la connexion DataFrame et JDBC ?
• spark jdbc df limit... que fait-il ?
• Comment utiliser la source JDBC pour écrire et lire des données dans (Py)Spark ?

et dans des sources externes :

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

donc juste pour réitérer - par défaut DataFrameReader.jdbc ne distribue pas de données ou de lectures. Il utilise un seul thread, un seul exécuteur.

Pour distribuer des lectures :

• utiliser des plages avec 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
      )