Spark data Skew передел с переименованным ключом - PullRequest
Новая
       6

Spark data Skew передел с переименованным ключом

1 голос
/ 20 марта 2020

Я читаю интересную статью о перекосе данных в Spark Join. Существует пример, когда объединенный столбец переименовывается в обоих наборах данных и вызывается объединение. Автор утверждает, что это работает, но я не понимаю, почему это будет работать по сравнению с предыдущим примером, где соединение было выполнено без переименования. Статья Искусство соединения в Spark .

Соответствующий код из статьи: 

// The following row avoids the broadcasting, the dimension_table2 is very small
spark.conf.set("spark.sql.autoBroadcastJoinThreshold",-1)

// I'm using caching to simplify the DAG
dimension_table2.cache
dimension_table2.count

// One way to use the same partitioner is to partition on a column with the same name,
// let's rename the columns that we want to join
fact_table = fact_table.withColumnRenamed("dimension_2_key", "repartition_id")
dimension_table2 = dimension_table2.withColumnRenamed("id", "repartition_id")

fact_table = fact_table.repartition(400, fact_table.col("repartition_id"))

fact_table = fact_table.join(dimension_table2.repartition(400, dimension_table2.col("repartition_id")), 
                fact_table.col("repartition_id") === dimension_table2.col("repartition_id"), "left")
fact_table.count
...