Spark如何仅在分区内加入

Posted 2023-04-17

【中文标题】Spark如何仅在分区内加入

【英文标题】：Spark How to Join Only Within Partitions

【发布时间】：2020-10-02 19:10:08

【问题描述】：

我有 2 个大数据框。每行都有纬度/经度数据。我的目标是在 2 个数据帧之间进行连接，并找到距离内的所有点，例如100米。

df1: (id, lat, lon, geohash7)
df2: (id, lat, lon, geohash7)

我想在 geohash7 上对 df1 和 df2 进行分区，然后只在分区内加入。我想避免在分区之间加入以减少计算量。

df1 = df1.repartition(200, "geohash7")
df2 = df2.repartition(200, "geohash7")

df_merged = df1.join(df2, (df1("geohash7")===df2("geohash7")) & (dist(df1("lat"),df1("lon"),df2("lat"),df2("lon"))<100) )

所以基本上加入geohash7，然后确保点之间的距离小于100。 问题是，Spark 实际上会交叉连接所有数据。我怎样才能让它只做 inter-partition join 而不是 intra-partition join？

【问题讨论】：

你检查.explain()的计划了吗？我不明白代码会做cross join。

dist 在做什么？我是正确的，它是计算两点之间的欧几里德距离的 udf？这将explain 交叉连接

dist 计算两点之间的半正弦距离。是的，火花似乎不支持我想要的东西。经过一番尝试，我认为 spark 没有进行交叉连接，因为 geohash-7 条件在 join 语句中。如果我删除 geohash-7 匹配条件，查询运行速度会慢很多。

【参考方案1】：

在大量使用数据之后，spark 似乎足够聪明，可以首先确保在相等条件（“geohash7”）上发生连接。因此，如果那里没有匹配，它将不会计算“dist”函数。 似乎在相等条件下，它不再进行交叉连接。所以我不必做任何其他事情。上面的连接工作正常。