我的 Spark 任务的性能出现问题。
我有两个表:
地理渔网,网格尺寸为 200x200 米。大小约为 200 万行。架构:
cell_id minlat minlon maxlat maxlon
地理对象。大小约20万行。架构:
objid lat lon
我想要的是连接这些表并找到每个对象的单元格。所需的架构:
objid lat lon cell_id
第一个简单的解决方案是:
cellDF.join(objDF, callUDF("isContain", col("minlat"),..col("lat"), col("lon")));
UDF 只需检查 minlat <= lat <= maxlat && minlon <= lon <= maxlon
但是这个解决方案运行速度非常慢。在具有 20 多个节点的集群上运行几个小时。
我尝试的第二件事 - 使用 esri-geometry-api 。我创建了Polygon
对于每个单元格和 Point
对于每个对象并检查 polygon.contains(point)
。
但这个解决方案的工作速度比第一个慢。
也许 Spark 中有这种连接的“最佳实践”?我找到了一些关于QuadTree的信息,但是在spark中没有找到关于这个算法的任何明确的文档和示例。
附注Spark版本为2.2.0。
最佳答案
假设您有两个 csv 文件(如果不是这样,您只需更改输入)
// Create a spark session
SparkSession session = SparkSession.builder().appName("name here").getOrCreate();
// Create datasets for both input
Dataset<Fishnet> fishnet = session.read().format("csv").option("header", true).option("inferSchema", true).load("fishnet.csv").as(Encoders.bean(Fishnet.class));
Dataset<GeoObject> geoObject = session.read().format("csv").option("header", true).option("inferSchema", true).load("geoObject.csv").as(Encoders.bean(GeoObject.class));
// Create temp view on datasets
fishnet.createOrReplaceTempView("fishnet");
geoObject.createOrReplaceTempView("geoObject");
// Now create a query to retrieve the result [objid lat lon cell_id]
Dataset<Row> result = session.sql("select objid, lat, lon, cell_id from fishnet, geoObject where lat >= minlat and lat <= maxlat and lon >= minlon and lon <= maxlon");
关于java - Spark 地理瓷砖加入,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/51077534/