在 Spark SQL 中将多个小表与大表连接的最佳方法

Question

我正在使用 spark sql 连接多个表。 其中一张桌子很大，其他桌子很小（10-20 条记录）。 我真的想使用包含键值对的其他表替换最大表中的值。

即大表：

| Col 1 | Col 2 | Col 3 | Col 4 | ....
--------------------------------------
| A1    | B1    | C1    | D1    | ....
| A2    | B1    | C2    | D2    | ....
| A1    | B1    | C3    | D2    | ....
| A2    | B2    | C3    | D1    | ....
| A1    | B2    | C2    | D1    | ....
.
.
.
.
.

表2：

| Col 1 | Col 2 
----------------
| A1    | 1a    
| A2    | 2a    

表3：

| Col 1 | Col 2 
----------------
| B1    | 1b    
| B2    | 2b  

表3：

| Col 1 | Col 2 
----------------
| C1    | 1c    
| C2    | 2c  
| C3    | 3c

表4：

| Col 1 | Col 2 
----------------
| D1    | 1d    
| D2    | 2d  

预期表是

| Col 1 | Col 2 | Col 3 | Col 4 | ....
--------------------------------------
| 1a    | 1b    | 1c    | 1d    | ....
| 2a    | 1b    | 2c    | 2d    | ....
| 1a    | 1b    | 3c    | 2d    | ....
| 2a    | 2b    | 3c    | 1d    | ....
| 1a    | 2b    | 2c    | 1d    | ....
.
.
.
.
.

我的问题是； 这是加入表格的最佳方式。 （认为​​有100个或更多的小表） 1）收集小数据框，将其转换为地图，广播地图和转换大数据框只需一步

bigdf.transform(ds.map(row => (small1.get(row.col1),.....)

2）广播表并使用选择方法进行连接。

spark.sql("
       select * 
       from bigtable
       left join small1 using(id1) 
       left join small2 using(id2)")

3) 广播表和 Concatenate multiples joins

bigtable.join(broadcast(small1), bigtable('col1') ==small1('col1')).join...

提前致谢

Answer 1

你可能会这样做：

1. 广播所有小表（通过设置spark.sql.autoBroadcastJoinThreshold自动完成，略优于小表行数）

2. 运行一个连接大表的 sql 查询，例如

   val df = spark.sql(" select * from bigtable left join small1 using(id1) left join small2 using(id2)")

编辑：在 sql 和 spark "dataframe" 语法之间进行选择：sql 语法比 spark 语法更具可读性，而且不那么冗长（对于数据库用户的角度）。从开发人员的角度来看，数据框语法可能更易读。

使用“数据集”语法的主要优点是编译器将能够跟踪一些错误。 使用任何字符串语法，如 sql 或列名 (col("mycol")) 将在运行时被发现。

Answer 2

如果小表中的数据小于阈值大小并且数据的物理文件是拼花格​​式，那么 spark 将自动广播小表，但如果您从其他一些数据源（如 sql、PostgreSQL 等）读取数据，则有时spark不会自动广播表。

如果您知道表很小并且表的大小预计不会增加（在查找表的情况下），您可以显式广播数据框或表，这样您就可以有效地将大表与小表连接起来.

您可以使用数据帧上的解释命令验证小表是否正在广播，或者您也可以从 Spark UI 执行此操作。

Answer 3

正如答案中已经写的那样，广播所有小表格的最佳方式。 而我们只能通过 SQL 来完成 - 提示：

val df = spark.sql("""
    select /*+ BROADCAST(t2, t3) */
        * 
    from bigtable t1
        left join small1 t2 using(id1) 
        left join small2 t3 using(id2)
""")