La conversión de una tabla mysql a un conjunto de datos de chispa es muy lenta en comparación con el mismo archivo csv

Este problema se ha tratado varias veces en StackOverflow:

• ¿Cómo mejorar el rendimiento para trabajos lentos de Spark usando DataFrame y conexión JDBC?
• spark jdbc df limit... ¿qué está haciendo?
• ¿Cómo usar la fuente JDBC para escribir y leer datos en (Py)Spark?

y en fuentes externas:

• https://github. com/awesome-spark/spark-gotchas/blob/master/05_spark_sql_and_dataset_api.md#parallelizing-reads

así que solo para reiterar - por defecto DataFrameReader.jdbc no distribuye datos ni lee. Utiliza hilo único, ejecutor único.

Para distribuir lecturas:

• usar rangos con lowerBound / upperBound :

  Properties properties;
  Lower
  
  Dataset<Row> set = sc
      .read()
      .option("partitionColumn", "foo")
      .option("numPartitions", "3")
      .option("lowerBound", 0)
      .option("upperBound", 30)
      .option("url", url)
      .option("dbtable", this.tableName)
      .option("driver","com.mysql.jdbc.Driver")
      .format("jdbc")
      .load();
  

• predicates

  Properties properties;
  Dataset<Row> set = sc
      .read()
      .jdbc(
          url, this.tableName,
          {"foo < 10", "foo BETWWEN 10 and 20", "foo > 20"},
          properties
      )