如何使用JDBC源在（Py）Spark中写入和读取数据？

Question

这个问题的目的是记录：

• 在PySpark中使用JDBC连接读取和写入数据所需的步骤

• JDBC源可能存在的问题以及已知的解决方案

只要稍作更改，这些方法就可以与其他支持的语言一起使用，包括Scala和R。

Answer 1

写数据

1. 提交应用程序或启动Shell时，包括适用的JDBC驱动程序。您可以使用例如--packages：

   bin/pyspark --packages group:name:version
   

或结合driver-class-path和jars

    bin/pyspark --driver-class-path $PATH_TO_DRIVER_JAR --jars $PATH_TO_DRIVER_JAR

也可以PYSPARK_SUBMIT_ARGS在启动JVM实例之前使用环境变量来设置这些属性，或使用conf/spark- defaults.confsetspark.jars.packages或spark.jars/来设置这些属性spark.driver.extraClassPath。

1. 选择所需的模式。Spark JDBC编写器支持以下模式：

* `append`：将此：class：的内容追加`DataFrame`到现有数据中。
* `overwrite`：覆盖现有数据。
* `ignore`：如果数据已经存在，请静默忽略此操作。
* `error` （默认情况）：如果数据已经存在，则引发异常。

不支持更新或其他细粒度的修改

    mode = ...

1. 准备JDBC URI，例如：

   # You can encode credentials in URI or pass
   

   of jdbc method or options

   url = “jdbc:postgresql://localhost/foobar”

2. （可选）创建JDBC参数字典。

   properties = {
   "user": "foo",
   "password": "bar"
   

   }

properties/options还可以用于设置支持的JDBC连接属性。

1. 采用 DataFrame.write.jdbc

   df.write.jdbc(url=url, table="baz", mode=mode, properties=properties)
   

保存数据（pyspark.sql.DataFrameWriter有关详细信息，请参阅）。

已知问题 ：

• 使用--packages（java.sql.SQLException: No suitable driver found for jdbc: ...）包含驱动程序后，找不到合适的驱动程序

假设没有驱动程序版本不匹配可以解决此问题，则可以将driver类添加到中properties。例如：

    properties = {
    ...
    "driver": "org.postgresql.Driver"
}

• 使用df.write.format("jdbc").options(...).save()可能会导致：

java.lang.RuntimeException：org.apache.spark.sql.execution.datasources.jdbc.DefaultSource不允许创建表为select。

解决方案未知。

• 在Pyspark 1.3中，您可以尝试直接调用Java方法：

  df._jdf.insertIntoJDBC(url, "baz", True)
  

读取数据

1. 遵循 写数据中的 步骤1-4 __
2. 用途sqlContext.read.jdbc：

   sqlContext.read.jdbc(url=url, table="baz", properties=properties)
   

或sqlContext.read.format("jdbc")：

    (sqlContext.read.format("jdbc")
    .options(url=url, dbtable="baz", **properties)
    .load())

已知问题和陷阱 ：

• 找不到合适的驱动程序-请参阅：写入数据
• Spark SQL支持JDBC源的谓词下推，尽管并非所有谓词都可以下推。它也没有委派限制或聚合。可能的解决方法是用有效的子查询替换dbtable/table参数。

• 默认情况下，JDBC数据源使用单个执行程序线程顺序加载数据。为确保分布式数据加载，您可以：

  • 提供分区column（必须IntegeType）lowerBound，upperBound，numPartitions。
  • 提供互斥谓词的列表，predicates每个所需分区一个。

看到：

* [通过JDBC从RDBMS读取时，对spark进行分区](https://stackoverflow.com/q/43150694/6910411)，
* [从JDBC源迁移数据时如何优化分区？](https://stackoverflow.com/q/52603131/6910411)，
* [如何使用DataFrame和JDBC连接提高慢速Spark作业的性能？](https://stackoverflow.com/q/32188295/6910411)
* [使用JDBC导入Postgres时如何对Spark RDD进行分区？](https://stackoverflow.com/q/39597971/6910411)

• 在分布式模式（具有分区列或谓词）中，每个执行程序都在其自己的事务中运行。如果同时修改源数据库，则不能保证最终视图将保持一致。

在哪里找到合适的驱动程序：

• Maven存储库（以获取用于--packages选择所需版本的所需坐标，并从Gradle选项卡中以compile-group:name:version替换各个字段的形式复制数据）或Maven Central存储库：

  • PostgreSQL的
  • 的MySQL

其他选择

根据数据库的不同，可能存在专门的来源，并且在某些情况下是首选的来源：

• Greenplum-关键Greenplum-Spark连接器
• Apache Phoenix- Apache Spark插件
• Microsoft SQL Server- Azure SQL数据库和SQL Server的Spark连接器
• Amazon Redshift- Databricks Redshift连接器（当前版本仅在专有Databricks Runtime中可用。已停产的开源版本，可在GitHub上获得）。