如何解决Spark SQL中的迭代广播联接
我最近遇到了这个talk的关于在Spark SQL中使用“ 迭代”广播联接来处理歪斜的问题,以在将大表与另一个不是很小的表联接时提高查询性能。演讲建议使用“迭代广播联接”解决此类情况。不幸的是,这次演讲还没有深入到我无法理解其实现的程度。
因此,我希望有人能通过几个示例阐明如何在Spark SQL中实现此迭代广播联接。如何使用带有 SQL-API 的Spark SQL查询实现相同的功能?
注意:我正在使用Spark SQL查询2.4
感谢您的帮助。谢谢
解决方法
迭代广播连接:大的可能值得考虑的方法是迭代地获取较小(但不是那个小)表的切片,广播这些表,与较大表联接,然后合并结果。
要解决这个问题,有一个概念叫做:
i) Salting Technique::在此过程中,我们向密钥添加一个随机数,并使数据均匀分布在群集中。下面通过一个示例让我们来看一下
在上图中,假设我们要在大表和小表上执行联接,然后将数据分成三个执行器x,y和z,如下所示,然后进行合并,由于我们有数据偏斜,因此所有X都将在一个执行器中,并且Y在另一个执行器中,z在另一个执行器中。 由于Y和Z数据相对较小,它将完成并等待X执行程序完成,这将需要一些时间。 因此,为了提高性能,我们应该获取X执行者数据,并将其均匀分布在所有执行者中 由于数据滞留在一个执行器上,我们将向所有键(无论是大表还是小表)添加一个随机数,然后执行我们的过程
添加随机数:键= explode(key,range(1,3)),将得到key_1,key_2,key_3
现在,如果您看到的是在执行者之间平均分配,则可以提供更快的性能
如果您需要更多帮助,请观看此视频:
https://www.youtube.com/watch?v=d41_X78ojCg&ab_channel=TechIsland
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。