写数据
- 提交应用程序或启动Shell时，包括适用的JDBC驱动程序。您可以使用例如
--packages
：bin/pyspark --packages group:name:version
或结合
driver-class-path和
jars
bin/pyspark --driver-class-path $PATH_TO_DRIVER_JAR --jars $PATH_TO_DRIVER_JAR
也可以
PYSPARK_SUBMIT_ARGS在启动JVM实例之前使用环境变量来设置这些属性，或使用
conf/spark-defaults.confset
spark.jars.packages或
spark.jars/来设置这些属性
spark.driver.extraClassPath。
- 选择所需的模式。Spark JDBC编写器支持以下模式：
* `append`：将此：class：的内容追加`Dataframe`到现有数据中。* `overwrite`：覆盖现有数据。* `ignore`：如果数据已经存在，请静默忽略此操作。* `error` （默认情况）：如果数据已经存在，则引发异常。
不支持更新或其他细粒度的修改
mode = ...
准备JDBC URI，例如：
# You can enpre credentials in URI or pass
separately using properties argument
of jdbc method or options
url = “jdbc:postgresql://localhost/foobar”
（可选）创建JDBC参数字典。
properties = {"user": "foo","password": "bar"}
properties/
options还可以用于设置支持的JDBC连接属性。
- 采用
Dataframe.write.jdbc
df.write.jdbc(url=url, table="baz", mode=mode, properties=properties)
保存数据（
pyspark.sql.DataframeWriter有关详细信息，请参阅）。
已知问题 ：
- 使用
--packages
（java.sql.SQLException: No suitable driver found for jdbc: ...
）包含驱动程序后，找不到合适的驱动程序
假设没有驱动程序版本不匹配可以解决此问题，则可以将
driver类添加到中
properties。例如：
properties = { ... "driver": "org.postgresql.Driver"}- 使用
df.write.format("jdbc").options(...).save()可能会导致：
java.lang.RuntimeException：org.apache.spark.sql.execution.datasources.jdbc.DefaultSource不允许创建表为select。
解决方案未知。
- 在Pyspark 1.3中，您可以尝试直接调用Java方法：
df._jdf.insertIntoJDBC(url, "baz", True)
读取数据
- 遵循 写数据中的 步骤1-4 __
- 用途
sqlContext.read.jdbc
：sqlContext.read.jdbc(url=url, table="baz", properties=properties)
或
sqlContext.read.format("jdbc")： (sqlContext.read.format("jdbc") .options(url=url, dbtable="baz", **properties) .load())已知问题和陷阱 ：
- 找不到合适的驱动程序-请参阅：写入数据
- Spark SQL支持JDBC源的谓词下推，尽管并非所有谓词都可以下推。它也没有委派限制或聚合。可能的解决方法是用有效的子查询替换
dbtable
/table
参数。 默认情况下，JDBC数据源使用单个执行程序线程顺序加载数据。为确保分布式数据加载，您可以：
- 提供分区
column
（必须IntegeType
）lowerBound
，upperBound
，numPartitions
。 - 提供互斥谓词的列表，
predicates
每个所需分区一个。
- 提供分区
看到：
* [通过JDBC从RDBMS读取时，对spark进行分区](https://stackoverflow.com/q/43150694/6910411)，* [从JDBC源迁移数据时如何优化分区？](https://stackoverflow.com/q/52603131/6910411)，* [如何使用Dataframe和JDBC连接提高慢速Spark作业的性能？](https://stackoverflow.com/q/32188295/6910411)* [使用JDBC导入Postgres时如何对Spark RDD进行分区？](https://stackoverflow.com/q/39597971/6910411)
- 在分布式模式（具有分区列或谓词）中，每个执行程序都在其自己的事务中运行。如果同时修改源数据库，则不能保证最终视图将保持一致。
在哪里找到合适的驱动程序：
Maven存储库（以获取用于
--packages
选择所需版本的所需坐标，并从Gradle选项卡中以compile-group:name:version
替换各个字段的形式复制数据）或Maven Central存储库：- PostgreSQL的
- 的MySQL
其他选择
根据数据库的不同，可能存在专门的来源，并且在某些情况下是首选的来源：
- Greenplum-关键Greenplum-Spark连接器
- Apache Phoenix- Apache Spark插件
- Microsoft SQL Server- Azure SQL数据库和SQL Server的Spark连接器
- Amazon Redshift- Databricks Redshift连接器（当前版本仅在专有Databricks Runtime中可用。已停产的开源版本，可在GitHub上获得）。
