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 中使用它，使用 sparklyr。

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")

然后使用

将数据从 R 复制到 Spark

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 中？

sparklyr 有几个 spark_read_*() functions for import, but nothing database related. 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，但这里是一个使用低级别的最小示例 API:

确保 Spark 可以访问所需的 JDBC 驱动程序，例如将其坐标添加到 spark.jars.packages。例如，对于 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
```
到SPARK_HOME/conf/spark-defaults.conf

加载数据并注册为临时视图：

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 environment:

一次传递多个 options

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

加载临时视图 dplyr:
```
dplyr::tbl(sc, name)
```
请务必阅读更多 JDBC 选项，重点关注 partitionColumn、*Bound 和 numPartitions。
有关更多详细信息，请参见示例 and How to improve performance for slow Spark jobs using DataFrame and JDBC connection?

使用 sparklyr 将数据从数据库传输到 Spark

Transfer data from database to Spark using sparklyr

r

apache-spark

dataframe

sparklyr