我正在尝试使用以下代码加载数据集:
Dataset<Row> dataset = spark.read().jdbc(RPP_CONNECTION_URL, creditoDia3, rppDBProperties));
dataset = dataset.union(spark.read().jdbc(RPP_CONNECTION_URL, creditoDia2, rppDBProperties)));
dataset = dataset.union(spark.read().jdbc(RPP_CONNECTION_URL, creditoDia, rppDBProperties)));
dataset = dataset.union(spark.read().jdbc(RPP_CONNECTION_URL, debitoDia3, rppDBProperties)));
dataset = dataset.union(spark.read().jdbc(RPP_CONNECTION_URL, debitoDia2, rppDBProperties)));
dataset = dataset.union(spark.read().jdbc(RPP_CONNECTION_URL, debitoDia,rppDBProperties)));
dataset = dataset.cache();
Long numberOfRowsProcessed = dataset.count();
所以在这6个会话到达我的数据库并提取数据集并计算行数之后,我就不再需要去数据库了。但运行以下代码后:
dataset.createOrReplaceTempView("temp");
Dataset<Row> base = spark.sql(new StringBuilder()
.append("select ")
.append("TRANSACTION ")
.append("from temp ")
.append("where PAYMENT_METHOD in (1,2,3,4) ")
.append("and TRANSACTION_STATUS in ('A','B') ")
.toString()
);
base.createOrReplaceTempView("base");
但是,我实际看到的是火花再次运行查询,但这一次,添加了我在定义Dataset<Row> base
时传递的过滤器。正如您所看到的,我已经缓存了数据,但它没有任何效果。
问题:是否可以在spark中加载内存中的所有内容并使用缓存数据,查询spark而不是数据库?
从我的关系数据库中获取数据非常昂贵,需要一段时间才能完成。
更新
我注意到火花在尝试执行时会向数据库发送新查询
from base a
left join base b on on a.IDT_TRANSACTION = b.IDT_TRANSACTION and a.DATE = b.DATE
这是追加到查询的字符串spark(从数据库中捕获):
WHERE ("IDT_TRANSACTION_STATUS" IS NOT NULL) AND ("NUM_BIN_CARD" IS NOT NULL)
在日志中显示:
18/01/16 14:22:20 INFO DAGScheduler:ShuffleMapStage 12(显示于 RelatorioBinTransacao.java:496)完成于13,046 s 18/01/16 14:22:20 INFO DAGScheduler:寻找新的可运行阶段18/01/16 14:22:20 INFO DAGScheduler:running:Set(ShuffleMapStage 9)18/01/16 14:22:20 INFO DAGScheduler:waiting:Set(ShuffleMapStage 13,ShuffleMapStage 10,ResultStage 14,ShuffleMapStage 11)18/01/16 14:22:20 INFO DAGScheduler:失败:设置()
我不确定我是否得到了想说的内容,但我认为记忆中缺少某些内容。
如果我只是在左边的连接上添加注释:
from base a
//left join base b on on a.IDT_TRANSACTION = b.IDT_TRANSACTION and a.DATE = b.DATE
它工作正常,它不再进入数据库了。
答案 0 :(得分:0)
这听起来可能没有足够的内存来存储群集上的联合结果。在Long numberOfRowsProcessed = dataset.count();
之后,请查看Spark UI的“存储”选项卡,以查看整个数据集是否已完全缓存。如果不是那么你需要更多的内存(和/或磁盘空间)。
如果您确认数据集确实已缓存,请发布查询计划(例如base.explain()
)。
答案 1 :(得分:0)
我找到了解决问题的方法。我必须向我向数据库发送查询的每一行添加category.class.name
指令。所以它看起来像这样:
cache()
我不得不添加Dataset<Row> dataset = spark.read().jdbc(RPP_CONNECTION_URL, fake, rppDBProperties);
dataset = dataset.union(spark.read().jdbc(RPP_CONNECTION_URL, creditoDia3, rppDBProperties).cache());
dataset = dataset.union(spark.read().jdbc(RPP_CONNECTION_URL, creditoDia2, rppDBProperties).cache());
dataset = dataset.union(spark.read().jdbc(RPP_CONNECTION_URL, creditoDia, rppDBProperties).cache());
dataset = dataset.union(spark.read().jdbc(RPP_CONNECTION_URL, debitoDia3, rppDBProperties).cache());
dataset = dataset.union(spark.read().jdbc(RPP_CONNECTION_URL, debitoDia2, rppDBProperties).cache());
dataset = dataset.union(spark.read().jdbc(RPP_CONNECTION_URL, debitoDia,rppDBProperties).cache());
dataset = dataset.cache();
sql的第一行,因为无论我做了什么,spark似乎都没有考虑缓存第一个查询,所以我一直看到第一个查询被发送到数据库。
总而言之,我不明白为什么我必须在每一行添加fake
指令,如果我已经在最后完成的话。但是,它奏效了。