zoukankan      html  css  js  c++  java
  • Spark的Join连接

    Broadcast Join

    适合情况,小表和大表,小表非常小,适合传播到各个节点。

    当大表小表连接时,为了避免Shuffle,我们可以将小表广播到各个节点内存,供大表连接。一定程度上牺牲了空间,避免了Shuffle。这种Join在Spark中称作Broadcast Join。(需要注意的点是广播的只能是小表)

    Shuffle Hash Join

    适合情况,大表和小表,小表数据量增大,广播消耗资源大,按照join key进行分区,key相同分区也一定相同。大表分区,最后将两个表的数据进行hash join。

    对两张表分别按照join keys进行重分区,即shuffle,目的是为了让有相同join keys值的记录分到对应的分区中。对对应分区中的数据进行join,此处先将小表分区构造为一张hash表,然后根据大表分区中记录的join keys值拿出来进行匹配。

    1. 确定Build Table和Probe Table。
    2. 构建HashTable 依次读取小表的join key进行hash,生成的哈希表缓存在内存中。
    3. 扫描大表,将相同join key的数据连接起来。

    Broadcast Join和Shuffle Hash Join都是HashJoin。只不过在hash join之前需要先shuffle还是先broadcast。

    Sort-Merge Join

    适合情况,大表和大表。

    共有三步:

    1. shuffle阶段:将两张大表根据join key进行重新分区,两张表数据会分布到整个集群,以便分布式并行处理
    2. sort阶段:对单个分区节点的两表数据,分别进行排序
    3. merge阶段:对排好序的两张分区表数据执行join操作。join操作很简单,分别遍历两个有序序列,碰到相同join key就merge输出,否则取更小一边

    数据仓库设计时最好避免大表与大表的join查询

  • 相关阅读:
    Java Mockito 笔记
    J2EE 练习题
    CXF 教程 (二)
    CXF 教程(一)
    Java 动态代理
    常用 Git 命令汇总
    JXL 简单示例
    Visual Studio 技巧
    TreeView双击节点而不改变节点的折叠/展开状态
    称3次,找出坏鸡蛋
  • 原文地址:https://www.cnblogs.com/chenshaowei/p/13187773.html
Copyright © 2011-2022 走看看