Spark：加入两个相同分区的数据帧时防止洗牌/交换

Question

我有两个数据框 df1 和 df2，我想在名为 visitor_id 的高基数字段上多次加入这些表。我只想执行一次初始洗牌，并在火花执行器之间不洗牌/交换数据的情况下进行所有连接。

为此，我创建了另一个名为visitor_partition 的列，它始终为每个visitor_id 分配一个介于[0, 1000) 之间的随机值。我使用了一个自定义分区器来确保df1 和df2 被精确分区，这样每个分区只包含来自visitor_partition 的一个值的行。这个初始重新分区是唯一一次我想洗牌数据。

我已将每个数据帧保存到 s3 中的 parquet 中，按访问者分区进行分区 -- 对于每个数据帧，这会创建 1000 个文件，这些文件以df1/visitor_partition=0、df1/visitor_partition=1...df1/visitor_partition=999 组织。

现在我从 parquet 加载每个数据帧，并通过 df1.createOrReplaceTempView('df1') 将它们注册为 tempviews（df2 也是如此），然后运行以下查询

SELECT
   ...
FROM
  df1 FULL JOIN df1 ON
    df1.visitor_partition = df2.visitor_partition AND
    df1.visitor_id = df2.visitor_id

理论上，查询执行计划者应该意识到这里不需要改组。例如，单个执行程序可以从 df1/visitor_partition=1 和 df2/visitor_partition=2 加载数据并加入其中的行。然而，在实践中，spark 2.4.4 的查询计划器在这里执行完整的数据洗牌。

有什么方法可以防止这种洗牌发生吗？

Answer 1

您可以使用 DataFrameWriter (other documentation) 的 bucketBy 方法。

在以下示例中，VisitorID 列的值将被散列到 500 个桶中。通常，对于连接，Spark 会根据 VisitorID 上的散列执行交换阶段。但是，在这种情况下，您已经使用哈希预分区了数据。

inputRdd = sc.parallelize(list((i, i%200) for i in range(0,1000000)))

schema = StructType([StructField("VisitorID", IntegerType(), True),
                    StructField("visitor_partition", IntegerType(), True)])

inputdf = inputRdd.toDF(schema)

inputdf.write.bucketBy(500, "VisitorID").saveAsTable("bucketed_table")

inputDf1 = spark.sql("select * from bucketed_table")
inputDf2 = spark.sql("select * from bucketed_table")
inputDf3 = inputDf1.alias("df1").join(inputDf2.alias("df2"), col("df1.VisitorID") == col("df2.VisitorID"))

有时 Spark 查询优化器仍然选择广播交换，所以对于我们的示例，让我们禁用自动广播

spark.conf.set("spark.sql.autoBroadcastJoinThreshold", -1)

物理计划如下所示：

== Physical Plan ==
*(3) SortMergeJoin [VisitorID#351], [VisitorID#357], Inner
:- *(1) Sort [VisitorID#351 ASC NULLS FIRST], false, 0
:  +- *(1) Project [VisitorID#351, visitor_partition#352]
:     +- *(1) Filter isnotnull(VisitorID#351)
:        +- *(1) FileScan parquet default.bucketed_6[VisitorID#351,visitor_partition#352] Batched: true, DataFilters: [isnotnull(VisitorID#351)], Format: Parquet, Location: InMemoryFileIndex[dbfs:/user/hive/warehouse/bucketed_6], PartitionFilters: [], PushedFilters: [IsNotNull(VisitorID)], ReadSchema: struct<VisitorID:int,visitor_partition:int>, SelectedBucketsCount: 500 out of 500
+- *(2) Sort [VisitorID#357 ASC NULLS FIRST], false, 0
   +- *(2) Project [VisitorID#357, visitor_partition#358]
      +- *(2) Filter isnotnull(VisitorID#357)
         +- *(2) FileScan parquet default.bucketed_6[VisitorID#357,visitor_partition#358] Batched: true, DataFilters: [isnotnull(VisitorID#357)], Format: Parquet, Location: InMemoryFileIndex[dbfs:/user/hive/warehouse/bucketed_6], PartitionFilters: [], PushedFilters: [IsNotNull(VisitorID)], ReadSchema: struct<VisitorID:int,visitor_partition:int>, SelectedBucketsCount: 500 out of 500

做类似的事情：

inputdf.write.partitionBy("visitor_partition").saveAsTable("partitionBy_2")

确实为每个分区创建带有文件夹的结构。但它不起作用，因为 Spark 连接是基于哈希的，并且无法利用您的自定义结构。

编辑：我误解了你的例子。我相信您说的是 partitionBy 之类的东西，而不是之前版本中提到的重新分区。