[英]Spark Enhance Join between Terabytes of Datasets
我有五個Hive
表,假設名稱分別為A,B,C,D和E。對於每個表,都有一個customer_id作為它們之間連接的鍵。 另外,每個表至少包含100:600列,所有列均為Parquet
格式。
下表的示例:
CREATE TABLE table_a
(
customer_id Long,
col_1 STRING,
col_2 STRING,
col_3 STRING,
.
.
col_600 STRING
)
STORED AS PARQUET;
我需要達到兩點,
sortByKey
進行sortByKey
,但是仍然存在性能瓶頸。 我在加入之前嘗試通過鍵進行reparation
,但是性能仍然不佳。 我試圖提高Spark的並行度,使其具有許多執行程序,使其達到6000,但無法獲得良好的結果。 我在下面嘗試的聯接示例,
val dsA = spark.table(table_a)
val dsB = spark.table(table_b)
val dsC = spark.table(table_c)
val dsD = spark.table(table_d)
val dsE = spark.table(table_e)
val dsAJoineddsB = dsA.join(dsB,Seq(customer_id),"inner")
我認為在這種情況下,直接聯接不是最佳情況。 您可以使用以下簡單方法來完成此任務。
case class FeatureData(customer_id:Long, featureValue:Map[String,String])
例如FeatureData
, case class FeatureData(customer_id:Long, featureValue:Map[String,String])
groupByKey
, union
用相同的密鑰合並所有數據集。 通過以上方法,合並比加入要快。 但是它需要更多的工作。
之后,您將擁有一個包含鍵映射的數據集。 您將對key, Map(feature_name)
應用轉換。
實施的簡單示例如下:首先將dataset
映射到case class
然后可以將它們全部合並。 之后,您將對groupByKey
進行映射並縮小它。
case class FeatureMappedData(customer_id:Long, feature: Map[String, String])
val dsAMapped = dsA.map(row ⇒
FeatureMappedData(row.customer_id,
Map("featureA" -> row.featureA,
"featureB" -> row.featureB)))
val unionDataSet = dsAMapped union dsBMapped
unionDataSet.groupByKey(_.customer_id)
.mapGroups({
case (eid, featureIter) ⇒ {
val featuresMapped: Map[String, String] = featureIter.map(_.feature).reduce(_ ++ _).withDefaultValue("0")
FeatureMappedData(customer_id, featuresMapped)
}
})
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.