摘要：JDBC 是连接传统关系型数据库的桥梁。本文从 JDBC 读取三模式（整表/数值分区/自定义Predicate）、并行分区原理、谓词/列裁剪下推、批量写入、连接池管理、以及四大常见坑六个维度，配合 2 张架构图 + 完整代码实例，覆盖 JDBC 操作的全部实践要点。
关键词：spark.read.jdbc, JDBC, partitionColumn, numPartitions, Predicate Pushdown, batchsize
一、开篇
Spark 通过 JDBC 连接所有标准 JDBC 兼容数据库，核心 API 就是spark.read.jdbc()。
valprops=newjava.util.Properties()props.setProperty("user","root")props.setProperty("password","123456")props.setProperty("driver","com.mysql.cj.jdbc.Driver")valurl="jdbc:mysql://host:3306/db"valdf=spark.read.jdbc(url,"users",props)二、JDBC 读取全流程
2.1 三种读取入口
// 方式 1: spark.read.jdbcvaldf=spark.read.jdbc(url,"users",props)// 方式 2: format("jdbc").options()valdf=spark.read.format("jdbc").option(...).load()// 方式 3: 子查询valdf=spark.read.jdbc(url,"(SELECT id,name FROM users WHERE status=1) AS u",props)2.2 并行分区读取
// 数值列等分区间valdf=spark.read.format("jdbc").option("partitionColumn","id").option("lowerBound","1").option("upperBound","10000000").option("numPartitions","20").load()// → 20 个 Task，每个执行一个 WHERE id BETWEEN ... AND ...// 自定义 Predicate 列表valpredicates=Array("gender = 'M'","gender = 'F'")valdf=spark.read.jdbc(url,"users",predicates,props)2.3 DataFrame → Dataset[CaseClass]
caseclassUser(id:Long,name:String,age:Int)valds:Dataset[User]=spark.read.jdbc(url,"users",props).as[User]三、连接管理 & 完整代码模式
3.1 谓词/列裁剪下推
spark.read.jdbc(url,"users",props).filter("age > 30").select("id","name","age")// → SQL: SELECT id, name, age FROM users WHERE age > 303.2 批量写回
df.write.mode("append").option("batchsize","5000").option("isolationLevel","READ_UNCOMMITTED").jdbc(url,"target_table",props)四、四大常见坑
① 连接数爆炸: numPartitions × executors 个连接 → DB max_connections 必须足够 ② 数据倾斜: 分区列值分布不均 → 长尾 Task → 用自定义 Predicate 解决 ③ 全量拉取: 未加 filter → 全表扫描 → 读时用 query 限定范围 ④ batchsize 太小: 默认 1000 → 增量到 5000~10000 显著提速五、总结
- 三种读取模式：整表/subquery + 数值列分区 + 自定义 Predicate。推荐用分区并行读。
- 优化要点：谓词/列裁剪下推 + numPartitions ≤ 20 + batchsize=5000~10000。
- 避坑：控制连接数、避免分区倾斜、查询加 WHERE 限制。
作者：starzy
博客：blog.starzy.cn
GitHub：starzy1990.github.io
专注 AI Agent · LangGraph · RAG · 大数据架构 · 数据工程实践
