Apache Spark:广播连接不适用于缓存的数据帧
Posted
技术标签:
【中文标题】Apache Spark:广播连接不适用于缓存的数据帧【英文标题】:Apache Spark: Broadcast join not workling for cached dataframe 【发布时间】:2018-05-09 18:51:02 【问题描述】:当我加入两个数据框时:
val secondDf= sparkSession.read.parquet(inputPath)
joinedDf = firstDf.join(secondDf, Seq("ID"), "left_outer")
Spark 似乎进行了广播连接,并且没有发生混洗。
但是一旦我缓存了较小的 Df:
val secondDf= sparkSession.read.parquet(inputPath).cache()
joinedDf = firstDf.join(secondDf, Seq("ID"), "left_outer")
Spark 正在改组加入,因此似乎没有发生广播加入。
我的问题是:为什么会这样?当我缓存一个数据帧时如何避免洗牌?
非常感谢
【问题讨论】:
【参考方案1】:试试
firstDf.join(broadcast(secondDf), Seq....)
不知道为什么缓存会有所作为,Spark 有时有点不可预测。
您可以尝试将secondDf
写入磁盘并将其读回而不是缓存,如果它很小,这样做的开销将是最小的。
【讨论】:
以上是关于Apache Spark:广播连接不适用于缓存的数据帧的主要内容,如果未能解决你的问题,请参考以下文章