微信公众号搜"智元新知"关注
微信扫一扫可直接关注哦!

如何在Spark DataFrame Join中删除排序阶段?

如何解决如何在Spark DataFrame Join中删除排序阶段?

我已经在Spark中使用以下命令创建了存储桶表:

df.write.bucketBy(200,"UserID").sortBy("UserID").saveAsTable("topn_bucket_test")

表的大小:50 GB

然后,我在UserId列上将另一个表(例如t2,大小:70 GB)与上面的表连接在一起。我发现在执行计划中,表topn_bucket_test在联接之前已被排序(但没有被重新排序),并且我期望在进行联接之前不会对其进行重新排序或排序。可能是什么原因?以及如何删除topn_bucket_test的排序阶段?

解决方法

就我而言,无法避免排序阶段。使用相同的bucketBy调用时,两个表的物理存储区不太可能相同。想象一下,第一个表的UserID范围从1到1000,第二个表的ID从1到2000。不同的UserID可能最终出现在200个存储桶中,并且在这些存储桶中可能有多个不同的(未排序!)UserID。

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。