apache-spark - 关于在 Spark 中加入数据帧的问题

Question

假设我有两个分区的数据帧:

df1 = spark.createDataFrame(
    [(x,x,x) for x in range(5)], ['key1', 'key2', 'time']
).repartition(3, 'key1', 'key2')

df2 = spark.createDataFrame(
    [(x,x,x) for x in range(7)], ['key1', 'key2', 'time']
).repartition(3, 'key1', 'key2')

(场景1)如果我通过 [key1, key2] 加入它们，则在每个分区内执行 join 操作而不进行shuffle(结果数据帧中的分区数相同):

x = df1.join(df2, on=['key1', 'key2'], how='left')
assert x.rdd.getNumPartitions() == 3

(场景2)但是如果我通过 [key1, key2, time] 将它们连接起来，则会发生 shuffle 操作(结果数据框中的分区数为 200，由 spark.sql.shuffle.partitions 选项驱动):

x = df1.join(df2, on=['key1', 'key2', 'time'], how='left')
assert x.rdd.getNumPartitions() == 200

同时通过[key1, key2, time]进行groupby和window操作，保留分区数，不shuffle完成:

x = df1.groupBy('key1', 'key2', 'time').agg(F.count('*'))
assert x.rdd.getNumPartitions() == 3

我不明白这是一个错误还是在第二种情况下执行 shuffle 操作有一些原因？如果可能的话，我怎样才能避免洗牌？

Answer 1

我想能够找出 Python 和 Scala 中不同结果的原因。

原因在于广播优化。如果 spark-shell 在禁用广播的情况下启动，Python 和 Scala 的工作方式相同。

./spark-shell --conf spark.sql.autoBroadcastJoinThreshold=-1

val df1 = Seq(
  (1, 1, 1)
).toDF("key1", "key2", "time").repartition(3, col("key1"), col("key2"))

val df2 = Seq(
  (1, 1, 1),
  (2, 2, 2)
).toDF("key1", "key2", "time").repartition(3, col("key1"), col("key2"))

val x = df1.join(df2, usingColumns = Seq("key1", "key2", "time"))

x.rdd.getNumPartitions == 200

所以看起来 spark 2.4.0 无法像@user10938362 所建议的那样优化开箱即用的描述案例和所需的催化剂优化器扩展。

顺便提一句。以下是有关编写催化剂优化器扩展的信息 https://developer.ibm.com/code/2017/11/30/learn-extension-points-apache-spark-extend-spark-catalyst-optimizer/