将多份数据进行关联是数据处理过程中非常普遍的用法,不过在分布式计算系统中,这个问题往往会变的非常麻烦,因为框架提供的 join 操作一般会将所有数据根据 key 发送到所有的 reduce 分区中去,也就是 shuffle 的过程。造成大量的网络以及磁盘IO消耗,运行效率极其低下,这个过程一般被称为 reduce-side-join。
如果其中有张表较小的话,我们则可以自己实现在 map 端实现数据关联,跳过大量数据进行 shuffle 的过程,运行时间得到大量缩短,根据不同数据可能会有几倍到数十倍的性能提升。
下文将会以一个 demo 进行说明。
何时使用
在海量数据中匹配少量特定数据
原理
以前写过一篇关于spark-sql中利用broadcast join进行优化的文章,原理与那篇文章相同,这里重新画了图。
reduce-side-join 的缺陷在于会将key相同的数据发送到同一个partition中进行运算,大数据集的传输需要长时间的IO,同时任务并发度收到限制,还可能造成数据倾斜。
reduce-side-join
reduce-side-join
map-side-join
map-side-join
代码说明
数据1(个别人口信息):
身份证 姓名 ... 110 lsw 222 yyy
数据2(全国学生信息):
身份证 学校名称 学号 ... 110 s1 211 111 s2 222 112 s3 233 113 s2 244
期望得到的数据 :
身份证 姓名 学校名称 110 lsw s1
将少量的数据转化为Map进行广播,广播会将此 Map 发送到每个节点中,如果不进行广播,每个task执行时都会去获取该Map数据,造成了性能浪费。
val people_info = sc.parallelize(Array(("110","lsw"),("222","yyy"))).collectAsMap() val people_bc = sc.broadcast(people_info)
对大数据进行遍历,使用mapPartition而不是map,因为mapPartition是在每个partition中进行操作,因此可以减少遍历时新建broadCastMap.value对象的空间消耗,同时匹配不到的数据也不会返回()。
val res = student_all.mapPartitions(iter =>{ val stuMap = people_bc.value val arrayBuffer = ArrayBuffer[(String,String,String)]() iter.foreach{case (idCard,school,sno) =>{ if(stuMap.contains(idCard)){ arrayBuffer.+= ((idCard, stuMap.getOrElse(idCard,""),school)) } }} arrayBuffer.iterator })
也可以使用 for 的守卫机制来实现上述代码
val res1 = student_all.mapPartitions(iter => { val stuMap = people_bc.value for{ (idCard, school, sno) <- iter if(stuMap.contains(idCard)) } yield (idCard, stuMap.getOrElse(idCard,""),school) })
完整代码
import org.apache.spark.{SparkContext, SparkConf}import scala.collection.mutable.ArrayBuffer object joinTest extends App{ val conf = new SparkConf().setMaster("local[2]").setAppName("test") val sc = new SparkContext(conf) /** * map-side-join * 取出小表中出现的用户与大表关联后取出所需要的信息 * */ //部分人信息(身份证,姓名) val people_info = sc.parallelize(Array(("110","lsw"),("222","yyy"))).collectAsMap() //全国的学生详细信息(身份证,学校名称,学号...) val student_all = sc.parallelize(Array(("110","s1","211"), ("111","s2","222"), ("112","s3","233"), ("113","s2","244"))) //将需要关联的小表进行关联 val people_bc = sc.broadcast(people_info) /** * 使用mapPartition而不是用map,减少创建broadCastMap.value的空间消耗 * 同时匹配不到的数据也不需要返回() * */ val res = student_all.mapPartitions(iter =>{ val stuMap = people_bc.value val arrayBuffer = ArrayBuffer[(String,String,String)]() iter.foreach{case (idCard,school,sno) =>{ if(stuMap.contains(idCard)){ arrayBuffer.+= ((idCard, stuMap.getOrElse(idCard,""),school)) } }} arrayBuffer.iterator }) /** * 使用另一种方式实现 * 使用for的守卫 * */ val res1 = student_all.mapPartitions(iter => { val stuMap = people_bc.value for{ (idCard, school, sno) <- iter if(stuMap.contains(idCard)) } yield (idCard, stuMap.getOrElse(idCard,""),school) }) res.foreach(println)
作者:breeze_lsw
链接:https://www.jianshu.com/p/e52d9e518e3a
共同学习,写下你的评论
评论加载中...
作者其他优质文章