scala - 在 spark 数据集中加入两个聚簇表似乎以完全洗牌结束

Question

我有两个 Hive 集群表 t1 和 t2

CREATE EXTERNAL TABLE `t1`(
  `t1_req_id` string,
   ...
PARTITIONED BY (`t1_stats_date` string)
CLUSTERED BY (t1_req_id) INTO 1000 BUCKETS
// t2 looks similar with same amount of buckets

插入部分发生在hive中

set hive.exec.dynamic.partition=true;
set hive.exec.dynamic.partition.mode=nonstrict;
insert overwrite table `t1` partition(t1_stats_date,t1_stats_hour)
   select *
   from t1_raw
   where t1_stats_date='2020-05-10' and t1_stats_hour='12' AND 
   t1_req_id is not null

代码如下所示:

 val t1 = spark.table("t1").as[T1]
 val t2=  spark.table("t2").as[T2]
 val outDS = t1.joinWith(t2, t1("t1_req_id) === t2("t2_req_id), "fullouter")
  .map { case (t1Obj, t2Obj) =>
    val t3:T3 = // do some logic
    t3 
  }
 outDS.toDF.write....

我在 DAG 中看到了投影 - 但似乎这项工作仍在进行完整的数据洗牌此外，在查看执行程序的日志时，我没有看到它在一个 block 中读取两个表的同一个桶——这是我期望找到的

有spark.sql.sources.bucketing.enabled、spark.sessionState.conf.bucketingEnabled和spark.sql.join.preferSortMergeJoin 标志

我错过了什么？如果有分桶表，为什么还有完整的洗牌？目前的spark版本是2.3.1

Answer 1

这里要检查的一种可能性是类型不匹配。例如。如果连接列的类型在 T1 中是字符串，在 T2 中是 BIGINT。即使类型都是整数(例如一个是 INT，另一个是 BIGINT)，Spark 仍然会在这里添加 shuffle，因为不同的类型使用不同的哈希函数进行分桶。