scala - 在 Apache Spark 中使用联接时，数据集大小的组织是否重要？

Question

我有两个想要加入的 RDD。一款非常大，XL，另一种是常规尺寸，M。为了速度，我加入他们的顺序重要吗？例如:

val data = M.join(XL)

对比

val data =XL.join(M)

Answer 1

在“核心”Spark 上，如果您使用join，则顺序并不重要。但是您可以使用广播变量来优化连接并使用 map 进行连接。

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

查看此'Advanced Spark'演示文稿以获取详细解释。

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。连接的顺序并不重要。查询优化器将查看 RDD 大小。