Secondo thisIl lavoro di push down previsto per spark con JDBC?
Catalyst vale ottimizzazioni logici come predicato pushdown. L'ottimizzatore può spingere i predicati del filtro verso il basso nell'origine dati, abilitando l'esecuzione fisica per ignorare i dati irrilevanti.
Spark supporta il push dei predicati verso l'origine dati. Questa funzione è disponibile/prevista anche per JDBC?
(Da ispezionare i registri DB posso vedere che non è il comportamento di default in questo momento - la query completa viene passata al DB, anche se è poi limitato dai filtri scintilla)
MAGGIORI DETTAGLI
Spark 1.5 Correndo con PostgreSQL 9.4
frammento di codice:
from pyspark import SQLContext, SparkContext, Row, SparkConf
from data_access.data_access_db import REMOTE_CONNECTION
sc = SparkContext()
sqlContext = SQLContext(sc)
url = 'jdbc:postgresql://{host}/{database}?user={user}&password={password}'.format(**REMOTE_CONNECTION)
sql = "dummy"
df = sqlContext.read.jdbc(url=url, table=sql)
df = df.limit(1)
df.show()
SQL Trace:
< 2015-09-15 07:11:37.718 EDT >LOG: execute <unnamed>: SET extra_float_digits = 3
< 2015-09-15 07:11:37.771 EDT >LOG: execute <unnamed>: SELECT * FROM dummy WHERE 1=0
< 2015-09-15 07:11:37.830 EDT >LOG: execute <unnamed>: SELECT c.oid, a.attnum, a.attname, c.relname, n.nspname, a.attnotnull OR (t.typtype = 'd' AND t.typnotnull), pg_catalog.pg_get_expr(d.adbin, d.a
drelid) LIKE '%nextval(%' FROM pg_catalog.pg_class c JOIN pg_catalog.pg_namespace n ON (c.relnamespace = n.oid) JOIN pg_catalog.pg_attribute a ON (c.oid = a.attrelid) JOIN pg_catalog.pg_type t ON (a.a
tttypid = t.oid) LEFT JOIN pg_catalog.pg_attrdef d ON (d.adrelid = a.attrelid AND d.adnum = a.attnum) JOIN (SELECT 15218474 AS oid , 1 AS attnum UNION ALL SELECT 15218474, 3) vals ON (c.oid = vals.oid
AND a.attnum = vals.attnum)
< 2015-09-15 07:11:40.936 EDT >LOG: execute <unnamed>: SET extra_float_digits = 3
< 2015-09-15 07:11:40.964 EDT >LOG: execute <unnamed>: SELECT "id","name" FROM dummy
Mi aspetterei che l'ultimo di selezione includerà una clausola limit 1
- ma non
Basta aggiungere il limite (o altri filtri) nel codice SQL stesso –