Spark 数据集连接性能答案

【问题标题】：Spark Dataset join performanceSpark 数据集连接性能
【发布时间】：2019-07-12 01:37:12
【问题描述】：

我收到了一个数据集，我需要join 它与另一个表。因此，我想到的最简单的解决方案是为另一个表创建第二个数据集并执行joinWith。

    def joinFunction(dogs: Dataset[Dog]): Dataset[(Dog, Cat)] = {
      val cats: Dataset[Cat] = spark.table("dev_db.cat").as[Cat]
      dogs.joinWith(cats, ...)
    }

我主要关心的是 spark.table("dev_db.cat")，因为感觉就像我们将所有 cat 数据称为

    SELECT * FROM dev_db.cat

然后在稍后阶段执行join。或者查询优化器会直接执行连接而不引用整个表吗？有没有更好的解决方案？

【问题讨论】：

标签： apache-spark hadoop apache-spark-sql apache-spark-dataset

【解决方案1】：

以下是针对您的案例的一些建议：

a. 如果您有where、filter、limit、take 等操作，请尝试在加入两个数据集之前应用它们。 Spark 无法下推这类过滤器，因此您必须自己尽可能减少目标记录的数量。 Here Spark 优化器的绝佳信息来源。

b. 尝试使用repartition 函数来共同定位数据集并最小化混洗数据。重新分区应基于参与join 的密钥，即：

dogs.repartition(1024, "key_col1", "key_col2")
dogs.join(cats, Seq("key_col1", "key_col2"), "inner")

c. 如果您确定较小的数据集可以放入内存，请尝试使用broadcast（或增加spark.broadcast.blockSize 的值）。这对 Spark 程序的性能有一定的提升，因为它将确保两个数据集在同一节点内共存。

如果您无法应用上述任何一项，则 Spark 无法知道应排除哪些记录，因此将扫描两个数据集中的所有可用行。

【讨论】：

通过包含 join 所涉及的键的重新分区，在大多数情况下可以保证键的协同定位
我认为 repartition/join 操作涉及很多部分，因此我认为仅指向代码的一部分并不容易。尽管重新分区是一个众所周知的操作，它正是这样做的，例如df.repartition(8, Seq("c1", "c2")) 会将 Hash(c1,c2) 的组合重新分配到 8 个分区中。然后对于连接，Spark 将尝试共同定位第二个数据帧的键 (c1, c2)。这就是为什么会发生改组的原因，因为 Spark 会尝试将所有数据放在正确的位置。
忘了我提到它。我在考虑初始负载。我正在报废 cmets 作为 repart 和 join 当然是这样。但是问题的主旨有所不同。

【解决方案2】：

你需要做一个解释，看看是否使用了谓词下推。然后您就可以判断您的关注是否正确。

但是，现在一般来说，如果没有使用复杂数据类型和/或数据类型不匹配不明显，则会发生下推。您也可以通过简单的 createOrReplaceTempView 看到这一点。见https://databricks-prod-cloudfront.cloud.databricks.com/public/4027ec902e239c93eaaa8714f173bcfc/3741049972324885/4201913720573284/4413065072037724/latest.html

【讨论】：