在 Apache Spark 中使用 join 时，数据集大小的组织是不是重要？

Posted 2023-04-18

【中文标题】在 Apache Spark 中使用 join 时，数据集大小的组织是不是重要？

【英文标题】：Does the organization of dataset size matter when using join in Apache Spark?在 Apache Spark 中使用 join 时，数据集大小的组织是否重要？

【发布时间】：2015-03-27 12:38:32

【问题描述】：

我有两个想要加入的 RDD。一个非常大，XL，另一个是常规大小，M。为了速度，我加入他们的顺序是否重要？例如：

val data = M.join(XL)

对

val data =XL.join(M)

【参考方案1】：

在“核心”Spark 上，如果您使用join，则顺序无关紧要。但是您可以使用广播变量优化连接并使用地图进行连接。

val bcSmallData = sc.broadcast(sRDD)
xlRDD.map case (k,v) => (k,(v, scSmallData.value.get(k)))

有关详细说明，请参阅此'Advanced Spark' 演示文稿。

现在，如果您使用 SparkSQL，此优化会自动为您完成。有一个配置选项 (spark.sql.autoBroadcastJoinThreshold) 可以控制要广播的较小表的阈值大小。加入的顺序无关紧要。查询优化器将查看 RDD 大小。

【参考方案2】：

根据this answer，它没有重要。我不确定另一个问题是否相同，因为它询问的是表而不是 RDD。提问者可能指的是 SparkSQL 中正在连接的表，但答案是关于 RDD。