Spark SQL中的几种join

Posted 飞末

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Spark SQL中的几种join相关的知识,希望对你有一定的参考价值。

1.小表对大表(broadcast join)

  将小表的数据分发到每个节点上,供大表使用。executor存储小表的全部数据,一定程度上牺牲了空间,换取shuffle操作大量的耗时,这在SparkSQL中称作Broadcast Join

  Broadcast Join的条件有以下几个:  

                 *被广播的表需要小于 spark.sql.autoBroadcastJoinThreshold 所配置的值,默认是10M (或者加了broadcast join的hint)

                 *基表不能被广播,比如 left outer join 时,只能广播右表

2.Shuffle Hash Join

  因为被广播的表首先被collect到driver段,然后被冗余分发到每个executor上,所以当表比较大时,采用broadcast join会对driver端和executor端造成较大的压力。

  spark可以通过分区的形式将大批量的数据划分成n份较小的数据集进行并行计算.

  利用key相同必然分区相同的这个原理,SparkSQL将较大表的join分而治之,先将表划分成n个分区,再对两个表中相对应分区的数据分别进行Hash Join,

  这样即在一定程度上减少了driver广播一侧表的压力,也减少了executor端取整张被广播表的内存消耗。

  *Shuffle Hash Join分为两步:

    对两张表分别按照join keys进行重分区,即shuffle,目的是为了让有相同join keys值的记录分到对应的分区中

    对对应分区中的数据进行join,此处先将小表分区构造为一张hash表,然后根据大表分区中记录的join keys值拿出来进行匹配

  *Shuffle Hash Join的条件有以下几个:

    分区的平均大小不超过spark.sql.autoBroadcastJoinThreshold所配置的值,默认是10M

    基表不能被广播,比如left outer join时,只能广播右表

    一侧的表要明显小于另外一侧,小的一侧将被广播(明显小于的定义为3倍小,此处为经验值)

3.大表对大表(Sort Merge Join)

  将两张表按照join keys进行了重新shuffle,保证join keys值相同的记录会被分在相应的分区。分区后对每个分区内的数据进行排序,排序后再对相应的分区内的记录进行连接

  因为两个序列都是有序的,从头遍历,碰到key相同的就输出;如果不同,左边小就继续取左边,反之取右边(即用即取即丢)

以上是关于Spark SQL中的几种join的主要内容,如果未能解决你的问题,请参考以下文章

Spark中的join策略

Spark SQL中的broadcast join分析

spark创建DataFrame的几种方式

loadsave方法spark sql的几种数据源

hive使用spark引擎的几种情况

Spark SQL中的broadcast join分析