Spark：加入两个相同分区的数据帧时，防止混洗/交换

Question

我有两个数据框df1，df2并且想在称为的高基数字段上多次连接这些表visitor_id。我只想执行一次初始改组，并进行所有联接，而无需在Spark执行程序之间改组/交换数据。

为此，我创建了另一个列visitor_partition，该列为每个visitor_id始终分配一个介于之间的随机值[0, 1000)。我使用了一个自定义分区程序来确保对df1和df2进行精确分区，以使每个分区仅包含来自的一个值的行visitor_partition。最初的重新分区是我唯一想改组数据的时间。

我已将每个数据帧保存到s3中的镶木地板中，并按访问者分区进行分区-对于每个数据帧，这将创建以df1/visitor_partition=0，df1/visitor_partition=1...形式组织的1000个文件df1/visitor_partition=999。

现在，我从镶木地板中加载每个数据帧，并通过df1.createOrReplaceTempView('df1')（与df2相同）将它们注册为tempview ，然后运行以下查询

SELECT
   ...
FROM
  df1 FULL JOIN df1 ON
    df1.visitor_partition = df2.visitor_partition AND
    df1.visitor_id = df2.visitor_id

从理论上讲，查询执行计划者应该意识到这里不需要进行改组。例如，单个执行程序可以从中加载数据df1/visitor_partition=1并df2/visitor_partition=2在其中联接行。但是，在实践中，spark 2.4.4的查询计划程序会在此处执行完整的数据重排。

有什么办法可以防止这种洗牌的发生？

Answer 1

您可以使用DataFrameWriter 的 bucketBy方法（其他文档）。

在以下示例中，VisitorID 列的值将被散列到 500 个桶中。通常，对于 join，Spark 会根据 VisitorID 上的哈希值执行交换阶段。但是，在这种情况下，您已经使用哈希对数据进行了预分区。

inputRdd = sc.parallelize(list((i, i%200) for i in range(0,1000000)))

schema = StructType([StructField("VisitorID", IntegerType(), True),
                    StructField("visitor_partition", IntegerType(), True)])

inputdf = inputRdd.toDF(schema)

inputdf.write.bucketBy(500, "VisitorID").saveAsTable("bucketed_table")

inputDf1 = spark.sql("select * from bucketed_table")
inputDf2 = spark.sql("select * from bucketed_table")
inputDf3 = inputDf1.alias("df1").join(inputDf2.alias("df2"), col("df1.VisitorID") == col("df2.VisitorID"))

有时 Spark 查询优化器仍然选择广播交换，因此对于我们的示例，让我们禁用自动广播

spark.conf.set("spark.sql.autoBroadcastJoinThreshold", -1)

物理计划如下所示：

== Physical Plan ==
*(3) SortMergeJoin [VisitorID#351], [VisitorID#357], Inner
:- *(1) Sort [VisitorID#351 ASC NULLS FIRST], false, 0
:  +- *(1) Project [VisitorID#351, visitor_partition#352]
:     +- *(1) Filter isnotnull(VisitorID#351)
:        +- *(1) FileScan parquet default.bucketed_6[VisitorID#351,visitor_partition#352] Batched: true, DataFilters: [isnotnull(VisitorID#351)], Format: Parquet, Location: InMemoryFileIndex[dbfs:/user/hive/warehouse/bucketed_6], PartitionFilters: [], PushedFilters: [IsNotNull(VisitorID)], ReadSchema: struct<VisitorID:int,visitor_partition:int>, SelectedBucketsCount: 500 out of 500
+- *(2) Sort [VisitorID#357 ASC NULLS FIRST], false, 0
   +- *(2) Project [VisitorID#357, visitor_partition#358]
      +- *(2) Filter isnotnull(VisitorID#357)
         +- *(2) FileScan parquet default.bucketed_6[VisitorID#357,visitor_partition#358] Batched: true, DataFilters: [isnotnull(VisitorID#357)], Format: Parquet, Location: InMemoryFileIndex[dbfs:/user/hive/warehouse/bucketed_6], PartitionFilters: [], PushedFilters: [IsNotNull(VisitorID)], ReadSchema: struct<VisitorID:int,visitor_partition:int>, SelectedBucketsCount: 500 out of 500

做类似的事情：

inputdf.write.partitionBy("visitor_partition").saveAsTable("partitionBy_2")

确实为每个分区创建了一个文件夹的结构。但它不起作用，因为 Spark 连接基于散列并且无法利用您的自定义结构。

编辑：我误解了你的例子。我相信你说的是 partitionBy 之类的东西，而不是之前版本中提到的重新分区。