Oracle 与 Spark SQL 的连接

Question

我正在尝试使用以下代码从 Spark SQL 连接到 Oracle DB：

 val dataTarget=sqlcontext.read.
  format("jdbc").
  option("driver", config.getString("oracledriver")).
  option("url", config.getString("jdbcUrl")).
  option("user", config.getString("usernameDH")).
  option("password", config.getString("passwordDH")).
  option("dbtable", targetQuery).
  option("partitionColumn", "ID").
  option("lowerBound", "5").
  option("upperBound", "499999").
  option("numPartitions", "10").
  load().persist(StorageLevel.DISK_ONLY)

默认情况下，当我们通过 Spark SQL 与 Oracle 连接时，它会为一个分区创建一个连接，并将为整个 RDD 创建一个分区。这样，当表中有大量数据时，我就会失去并行性和性能问题。在我的代码中，我通过了option("numPartitions", "10") 这将创建 10 个连接。如我所知，如果我错了，请更正，与 Oracle 的连接数将等于我们通过的分区数。

如果我使用更多连接，我会遇到以下错误，因为可能是对 Oracle 的连接限制。

java.sql.SQLException: ORA-02391: 超出同时 SESSIONS_PER_USER 限制

如果我使用更多分区来创建更多分区以实现并行性，则会出现错误，但如果我放的少，我会遇到性能问题。有没有其他方法可以创建单个连接并将数据加载到多个分区中（这将挽救我的生命）。

请提出建议。

Answer 1

有没有其他方法可以创建单个连接并将数据加载到多个分区中

没有。通常分区由不同的物理节点和不同的虚拟机处理。考虑到所有的授权和身份验证机制，您不能只进行连接并将其从节点传递到节点。

如果问题只是超出SESSIONS_PER_USER，请联系 DBA 并要求为 Spark 用户增加价值。

如果问题是节流，您可以尝试保持相同数量的分区，但减少 Spark 核心的数量。由于这主要是微观管理，最好完全删除 JDBC，使用标准导出机制 (COPY FROM) 并直接读取文件。

Answer 2

一种解决方法可能是使用单个 Oracle 连接（分区）加载数据，然后只需 repartition：

val dataTargetPartitioned = dataTarget.repartition(100);

您也可以按字段进行分区（如果partitioning a dataframe）：

val dataTargetPartitioned = dataTarget.repartition(100, "MY_COL");