- Java 双重比较
- java - 比较器与 Apache BeanComparator
- Objective-C 完成 block 导致额外的方法调用?
- database - RESTful URI 是否应该公开数据库主键?
我正在加入两个 RDD rddA
和 rddB
。
rddA
有 100 个分区,rddB
有 500 个分区。
我正在尝试了解join
操作的机制。默认情况下,无论连接顺序如何,我最终都会得到相同的分区结构;即 rddA.join(rddB
) 和 rddB.join(rddA)
产生相同数量的分区,通过观察它使用较小的分区大小,100。我知道我可以通过使用 rddA.join(rddB,500)
来增加分区大小,但我更感兴趣的是幕后发生的事情以及为什么选择较小的大小。据观察,即使我对小的rdd
重新分区,它的分区仍然会被使用; Spark 是否对 key 大小进行任何启发式分析?
我遇到的另一个问题是偏斜程度。我的较小分区最终有 3,314 个条目,而较大的分区最终有 1,139,207 个条目,总大小为 599,911,729(键)。两个 RDD 都使用默认的分区器,那么 data shuffle 是如何决定的呢?我依稀记得读过,如果一个 rdd
有一个分区器集,那么将使用那个分区器。是这样吗? “推荐”这样做吗?
最后,请注意我的两个 rdd
都相对较大 (~90GB),因此广播连接无济于事。相反,任何为 join
操作提供一些见解的方法都可能是可行的方法。
附言。任何关于左右连接机制的细节都将是一个额外的好处:)
最佳答案
虽然我还没有设法解释分区是如何派生的,但我确实发现了数据是如何洗牌的(这是我最初的问题)。连接有一些副作用:
洗牌/分区:Spark 将散列分区“RDD”键并在“Workers”之间移动/分发。给定键的每组值(例如 5)将在单个“Worker”/JVM 中结束。这意味着如果您的“连接”具有 1..N 关系并且 N 严重偏斜,您最终将得到偏斜的分区和 JVM 堆(即一个“分区”可能有 Max(N) 而另一个 Min(N) ).避免这种情况的唯一方法是尽可能使用“广播”或忍受这种行为。由于您的数据最初会均匀分布,因此混洗的数量将取决于 key 哈希。
重新分区:在“倾斜”连接之后,调用“重新分区”似乎可以在分区之间均匀地重新分配数据。所以这是一件好事,如果你有不可避免的偏斜问题。请注意,尽管此转换会触发大量洗牌,但后续操作会快得多。这样做的缺点是无法控制对象创建(见下文)
对象创建/堆污染:您设法加入您的数据,认为重新分区是重新平衡集群的好主意,但由于某种原因,“重新分区”会触发“OOME”。发生的情况是最初连接的数据重新使用连接的对象。当您触发“重新分区”或任何其他涉及洗牌的“操作”时,例如一个额外的连接或“groupBy”(后跟一个“Action”),数据被序列化,所以你失去了对象的重用。一旦对象被反序列化,它们现在就是新实例。另请注意,在序列化过程中,重用会丢失,因此 suffle 会很重。因此,在我的例子中,1..1000000 连接(其中 1 是我的“重”对象)将在触发随机播放的任何操作后失败。
解决方法/调试:
关于java - 请问 Spark 会安排加入吗?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/30412325/
我想对 JOIN 进行特定的排序 SELECT * FROM (lives_in as t1 NATURAL JOIN preferences p1) l1 JOIN (lives_in t2 NAT
我正在努力解决一个查询。并想知道是否有人可以提供帮助。 我有一个标签表(服务请求票)和序列号表 从我的标签中我正在这样做 Select * from tag where tag.created BET
关闭。这个问题需要多问focused 。目前不接受答案。 想要改进此问题吗?更新问题,使其仅关注一个问题 editing this post . 已关闭 7 年前。 Improve this ques
我有两个表 tbl_user 和 tbl_lastchangepassword,如下所示 表 tbl_user id| name --------- 1 | user1 2 | user2 3 |
我有下一个问题 SELECT i.*, gu.* vs.* FROM common.global_users gu LEFT JOIN common.global_users_perms gup ON
我有一个电影表和一个投票表。用户为他们喜欢的电影投票。我需要显示按电影总票数降序排列的电影列表。我现在所拥有的有点作品。唯一的问题是它不显示 0 票的电影。 SELECT m.name, m.imdb
我有一个由这样的表组成的 mySql 数据库: 我如何(如果可能的话)使用 JOINS 从名称/周期表中获取结果?简单来说,它是如何工作的?我向菜鸟问题道歉。我对此很陌生。任何帮助将不胜感激。 最佳答
我需要查询单元先决条件的自引用关系。 我知道您需要使用两个联接,我是否选择我的列然后将其联接到自身? SELECT u.unit_code, u.name + ' is a prerequisi
我有两个实体,用户和友谊,它们看起来像: public class User { public int UserId { get; set; } (..
假设我有两个表: Table A ProdID | PartNumber | Data... 1 | ABC-a | "Data A" 2 | (null) |
说我有这个数据, (df <- data.frame( col1 = c('My','Your','His','Thir'), col2 = c('Cat','Dog','Fish','Dog')))
我有两个这样的数组,实际上这是从两个不同的服务器检索的 mysql 数据: $array1 = array ( 0 => array ( 'id' => 1, 'n
我的数据库中有以下表格 CREATE TABLE [author_details] ( [_id] INTEGER PRIMARY KEY AUTOINCREMENT NOT NULL, [name
我正在努力使用一个相当简单的 sql select 语句的 join/where 子句。 我正在尝试从 tb1 中检索产品信息列表,其中 where 条件位于 tbl2 中,但这必须由三个不同的列连接
我正在寻找以下功能: Applicative f => f (f a) -> f a Hoogle给我看join : >:t join join :: Monad m => m (m a) -> m
我有两个“表”,分别是 USER 和 CONGE。在表“CONGE”中,我插入了用户的 ID。但是我不知道如何根据用户的id显示用户的休假。 我想根据id发布“Congé”。 { "conge"
我们有一个具有(简化)结构的文档,如Elasticsearch所示: { _id: ..., patientId: 4711, text: "blue" } { _id: ..., patientId
这两个sql语句有什么区别 a) 从 T1,T2 中选择 *,其中 T1.A=T2.A ; b) 从 T1,T2 中选择 *,其中 T2.A=T1.A ; 在这两种情况下我得到相同的输出,这两种语句之
我想做一个简单的连接,只是比较两个表中的 ID.. 我有我的组表,包含; 身份证 姓名 等.. 我的 GroupMap 表包含; 身份证 组号 元素编号 我的查询采用 GroupMap.ItemID
所以我有一组主要数据,如下所示: value_num code value_letter 1 CDX A 2 DEF B
我是一名优秀的程序员,十分优秀!