apache-spark - Spark SQL 从数据源动态获取最大值和最小值

Question

我正在使用 Spark SQL，我想每天从 Oracle 表（包含超过 1800k 条记录）中获取整个数据。当我从 Oracle 读取时，应用程序挂起，因此我使用了partitionColumn,lowerBound & upperBound的概念。但是，问题是如何动态获取主键列的 l owerBound & upperBound 值？每天下界和上界的值都会发生变化。因此如何动态获取主键列的边界值？谁能指导我一个示例来解决我的问题？

Answer 1

只需从数据库中获取所需的值：

url = ...
properties = ...
partition_column = ...
table = ...

# Push aggregation to the database
query = "(SELECT min({0}), max({0}) FROM {1}) AS tmp".format(
    partition_column, table
)

(lower_bound, upper_bound) = (spark.read
    .jdbc(url=url, table=query. properties=properties)
    .first())

并传递给主查询：

num_partitions = ...

spark.read.jdbc(
    url, table, 
    column=partition_column, 
    # Make upper bound inclusive 
    lowerBound=lower_bound, upperBound=upper_bound + 1, 
    numPartitions=num_partitions, properties=properties
)