在大量数据中对一些字段进行关联。
举例
ipTable：需要进行关联的几千条ip数据(70k)
hist：历史数据（百亿级别）
直接join将会对所有数据进行shuffle，需要大量的io操作，相同的key会在同一个partition中进行处理，任务的并发度也收到了限制。
shuffle join
使用broadcast将会把小表分发到每台执行节点上，因此，关联操作都在本地完成，基本就取消了shuffle的过程，运行效率大幅度提高。
broadcast join
样本数据(2000w)性能测试对比
小表没有进行broadcast
shuffle join
进行了broadcast,可以看到连shuffle过程都省略了
broadcast join
实现代码(spark1.5)
//读取ip表
val df = ...
//如果数据小于设定的广播大小则将该表广播,默认10M
df.cache.count
//注册表
df.registerTempTable("ipTable")
//关联
sqlContext.sql("select * from (select * from ipTable)a join (select * from hist)b on a.ip = b.ip")
......
设置表广播的阈值，如果有需求且内存足够，可以将该值提高，默认10M
spark.sql.autoBroadcastJoinThreshold
网友评论