通过Spark SQL进行批量数据迁移

我目前正在尝试通过 Spark SQL 将非常大的 MySQL 表的内容批量迁移到 parquet 文件中。但这样做时，即使将驱动程序的内存限制设置得更高（我在本地模式下使用 Spark），我也会很快耗尽内存。示例代码：

Dataset<Row> ds = spark.read()
    .format("jdbc")
    .option("url", url)
    .option("driver", "com.mysql.jdbc.Driver")
    .option("dbtable", "bigdatatable")
    .option("user", "root")
    .option("password", "foobar")
    .load();

ds.write().mode(SaveMode.Append).parquet("data/bigdatatable");

Spark 似乎试图将整个表内容读入内存，但效果不太好。那么，通过 Spark SQL 进行批量数据迁移的最佳方法是什么？

在您的解决方案中，Spark 会在开始写入之前将整个表内容读入一个分区。可以避免这种情况的一种方法是对读取部分进行分区，但它需要源数据中的数字连续列：

Dataset<Row> ds = spark.read()
  .format("jdbc")
  .option("url", url)
  .option("driver", "com.mysql.jdbc.Driver")
  .option("dbtable", "bigdatatable")
  .option("user", "root")
  .option("password", "foobar")
  .option("partitionColumn", "NUMERIC_COL")
  .option("lowerBound", "1")
  .option("upperBound", "10000")
  .option("numPartitions", "64")
  .load();

在上面的示例中，数据中必须存在“NUMERIC_COL”列，理想情况下，它应该在 1 到 10000 之间均匀变化。当然，这是很多要求，并且类似的列可能不存在，因此您应该可能会在数据库中创建一个具有类似列的视图，或者将其添加到查询中（请注意，我使用了通用 SQL 语法，您必须适应您的 DBMS）：

String query = "(select mod(row_number(), 64) as NUMERIC_COL, * from bigdatatable) as foo"

Dataset<Row> ds = spark.read()
  .format("jdbc")
  .option("url", url)
  .option("driver", "com.mysql.jdbc.Driver")
  .option("dbtable", query)
  .option("user", "root")
  .option("password", "foobar")
  .option("partitionColumn", "NUMERIC_COL")
  .option("lowerBound", "0")
  .option("upperBound", "63")
  .option("numPartitions", "64")
  .load();