r - 使用 sparklyr 将数据从数据库传输到 Spark

Question

我在数据库中有一些数据，我想在 Spark 中使用 sparklyr 处理它。

我可以使用基于 DBI 的包将数据从数据库导入 R

dbconn <- dbConnect(<some connection args>)
data_in_r <- dbReadTable(dbconn, "a table") 

然后将数据从 R 复制到 Spark 使用

sconn <- spark_connect(<some connection args>)
data_ptr <- copy_to(sconn, data_in_r)

对于大数据集，复制两次很慢。

如何将数据直接从数据库复制到 Spark？

sparklyr 有几个用于导入的 spark_read_*() 函数，但与数据库无关。 sdf_import() 看起来有可能，但不清楚如何在这种情况下使用它。

Answer 1

Sparklyr >= 0.6.0

您可以使用 spark_read_jdbc 。

Sparklyr < 0.6.0

我希望有一个更优雅的解决方案，但这里有一个使用低级 API 的最小示例:

确保 Spark 可以访问所需的 JDBC 驱动程序，例如通过将其坐标添加到 spark.jars.packages 。例如使用 PostgreSQL(针对当前版本进行调整)，您可以添加:

spark.jars.packages org.postgresql:postgresql:9.4.1212

SPARK_HOME/conf/spark-defaults.conf

加载数据并注册为临时 View :

name <- "foo"

spark_session(sc) %>% 
  invoke("read") %>% 
  # JDBC URL and table name
  invoke("option", "url", "jdbc:postgresql://host/database") %>% 
  invoke("option", "dbtable", "table") %>% 
  # Add optional credentials
  invoke("option", "user", "scott") %>%
  invoke("option", "password", "tiger") %>% 
  # Driver class, here for PostgreSQL
  invoke("option", "driver", "org.postgresql.Driver") %>% 
  # Read and register as a temporary view
  invoke("format", "jdbc") %>% 
  invoke("load") %>% 
  # Spark 2.x, registerTempTable in 1.x
  invoke("createOrReplaceTempView", name)

您可以使用 options 一次传递多个 environment :

invoke("options", as.environment(list(
  user="scott", password="tiger", url="jdbc:..."
)))

使用 dplyr 加载临时 View :

dplyr::tbl(sc, name)

请务必阅读更多 JDBC 选项，重点是 partitionColumn 、 *Bound 和 numPartitions 。

有关其他详细信息，请参见例如 How to use JDBC source to write and read data in (Py)Spark? 和 How to improve performance for slow Spark jobs using DataFrame and JDBC connection?