先上Demo
package com.rz.spark.base
import java.sql.DriverManager
import org.apache.spark.rdd.JdbcRDD
import org.apache.spark.{SparkConf, SparkContext}
object JdbcRDDDemo {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName(this.getClass.getSimpleName).setMaster("local[2]")
val sc = new SparkContext(conf)
val getConn=()=>{
DriverManager.getConnection("jdbc:mysql://localhost:3306/bigdata?characterEncoding=utf-8","root","root")
}
// 创建RDD，这个RDD会记录以后从MySQL中读取数据
val jdbcRDD: JdbcRDD[(Int, String, Int)] = new JdbcRDD(sc,
getConn,
"select * from logs where id >= ? and id <= ?",
1,
5,
2, //分区数量
rs => {
val id = rs.getInt(1)
val name = rs.getString(2)
val age = rs.getInt(3)
(id, name, age) //将数据库查询出来的数据集转成想要的数据格式
}
)
val rs = jdbcRDD.collect()
print(rs.toBuffer)
}
}
返回查询结果正确
现象
修改查询的SQL，返回的数据量不对。
"select * from logs where id >= ? and id < ?"
原因
在触发Action的时候，Task在每个分区上的业务逻辑是相同的（id >= ? and id < ?”），只是读取的数据和处理的数据不一样。RDD根据数据量和分区数据，均匀地分配每个分区Task读取数据的范围。
分区1读取[1,2）的数据，分区2读取[3,5)的数据。
使用相同的逻辑分区1丢掉了id=2的数据，这是为什么，id >= 1 and id < 5″只返回3条数据的原因，如果只有一个分区的时候能够读取到正确的数据量。
解决办法
为了避免出现丢数据，读取数据时，区间两端都包含。id >= 1 and id < =5。
