问题描述
有人提到,当我们使用spark.read JDBC生成一个数据帧时,然后在该数据帧上执行df.write两次。 **它会创建到源的两个连接吗? **我需要一些帮助,以获取更多有关Spark内部工作的见解。
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
现在我要把上面函数返回的df放在两个地方写。
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,如果我按以下方式在main中调用此名称,那是否真的可以与源建立两个连接?如是;如何避免这种情况并且只读一次。有关负载here的spark文档,引用了load()“从数据源加载数据并将其作为a:class DataFrame
返回。”因此需要更多有关这里内部活动的背景信息。
def main():
df=read_df()
status = write_df_delta(df)
status = write_df_csvserde(df)
if __name__ == '__main__' :
main()
解决方法
由于您没有.cache
或.persist
,它将从JDBC源读取两次。
两个动作明显。
缓存也有成本。