spark jdbc - 到源的多个连接？

Question

有人提到，当我们使用生成数据帧的 spark.read JDBC 时，如果我们在该数据帧上执行两次 df.write。 **它会创建两个到源的连接吗？ ** 我需要一些帮助，以更深入地了解 spark 的内部工作原理。

假设我创建了一个返回 df 的函数

read_df():
df = spark.read.format("jdbc").option("header", "true").option("inferSchema","true").option("url",jdbc_str[0]).option("lowerBound", mini).option("upperBound", maxi).option("numPartitions", num_partitions). option("partitionColumn", df_info[2]).option("dbtable", tablename).option("user", df_info[0]).option("password", df_info[1]).option("driver", "com.informix.jdbc.IfxDriver").load()
return df

现在我把上面函数返回的df写在两个地方。

def write_df_delta(df):
df.write.format("delta").partitionBy("partitioncolumn").save(location)
return "successful"
def write_df_csvserde(df):
df.coalesce(1).write.option("header", "true").mode("append").csv(target_dir)
return "successful"

现在，如果我在 main 中调用它，如下所示，那真的会与源建立两个连接吗？如是;有什么方法可以避免这种情况并且只读一次。 spark for load here 的文档引用 load() “从数据源加载数据并将其作为 a:classDataFrame 返回。”所以需要更多关于这里内部发挥作用的背景信息。

def main():
df=read_df()
status = write_df_delta(df)  
status = write_df_csvserde(df)
if __name__ == '__main__' :
    main()

Answer 1

由于您没有 .cache 或 .persist，它将从 JDBC 源读取两次。

两个行动明显。

缓存也是有代价的。