我们发现,自Spark 1.3到现在的Spark 2.0.1,来自Oracle数据库的Spark API的加载数据一直很慢.典型的代码在
Java中是这样的:
Map<String,String> options = new HashMap<String,String>(); options.put("url",ORACLE_CONNECTION_URL); options.put("dbtable",dbTable); options.put("batchsize","100000"); options.put("driver","oracle.jdbc.OracleDriver"); Dataset<Row> jdbcDF = sparkSession.read().options(options) .format("jdbc") .load().cache(); jdbcDF.createTempView("my"); //= sparkSession.sql(dbTable); jdbcDF.printSchema(); jdbcDF.show(); System.out.println(jdbcDF.count());
我们的一位成员试图自定义这部分,他当时改进了很多(Spark 1.3.0).但Spark核心代码的某些部分成为Spark的内部代码,因此在版本之后无法使用.此外,我们看到HADOOP的SQOOP比Spark快得多(但它写入HDFS,需要大量的工作才能转换为数据集以供Spark使用).使用Spark的Dataset写入方法写入Oracle似乎对我们有好处.令人费解的是为什么会这样!
那么@Pau Z Wu已在评论中回答了问题,但问题是wasoptions.put(“batchsize”,“100000”);这需要是options.put(“fetchsize”,“100000”);因为提取大小涉及限制一次从数据库中恢复的行数,并最终使加载时间更快.
更多信息可以在这里找到:https://docs.oracle.com/cd/A87860_01/doc/java.817/a83724/resltse5.htm