spark range join 优化

背景

一张ip表，一张ip地理信息表，地理信息表每条数据包含了ip地址的起点和终点以及一些地理信息, 需要用 ip 去关联 gep_ip 中匹配相应的信息 。

例如：
数据条数为 50 M 的表 ip_record，数据格式大致如下:

ip_int	info
123456789	xx
987654321	xx

数据条数为 7 M 的表 geoip ，数据格式大致如下：

ipstart	ipend	country	province	city	…
0	10000	…	…	…	…
10001	25000	…	…	…	…

native join

ip_record 和 geoip 关联，找出ip对应的geo信息，写出的 sql 应该是这样的:

SELECT A.*,
       B.*
FROM   ip_record A
       JOIN geoip B
        ON A.ip_int >= B.ipstart
         AND A.ip_int <= B.ipend

会触发一个 cartesian product ，然后通过 filter 筛出你需要的数据。

broadcast join ?

SELECT 
    /*+ broadcast(B) */
    A.*,
    B.*
FROM   
    ip_record A
    JOIN geoip B
    ON A.ip_int >= B.ipstart
    AND A.ip_int <= B.ipend

会触发 BroadcastNestedLoopJoin ，每条 record 都会产生大量的循环。

上述两种方法都会有 50M * 7M 次的循环。

解决方法

1. 将 geoip 表的 ipstart 转化为一个列表，进行广播。
2. 遍历 record 表，在广播列表中使用二分查找到相应 ipstart。

pySpark (2.X) 代码实现:

from bisect import bisect_right
from pyspark.sql.types import LongType

#选取 ipstart 字段，排序广播
geo_start_bd = sc.broadcast(geo_ip
  .select("ipstart")
  .orderBy("ipstart") 
  .rdd
  .flatMap(lambda x: x)
  .collect())

#二分查找，找到对应start
def find_le(x):
    i = bisect_right(geo_start_bd.value, x)
    if i:
        return geo_start_bd.value[i-1]
    return None

spark.udf.register("find_le",find_le)

spark.sql("""
    select 
        a.ip_int,b.country,b.province,b.city,b.isp
    from 
        (select *,find_le(ip_int) as ipstart from ip_record) a
    left join geo_ip b
    on a.ipstart = b.ipstart
""")

执行计划 变成了 sortMergeJoin 。

结论

时间复杂度：O(N * M) -> O(N * LOG(M)) 。N 为 record 数量，M 为 geo_ip 表数量。

测试环境：

• spark 2.2
• executor(3c 12g) * 15
• 所有record的数据分区数为 45

在这个场景中计算耗时：185 hour (预估，如果能计算出来) -> 2 min，性能提升了10000X

geo_ip 不变：计算时间随 record 数量变化表:

record	cartesianProduct	broadcastNestLoopJoin (广播 geo_ip)	after optimized
10^4	6.2 min	3.5 min	27s
10^5	66 min	30 min	33s
10^6	-	-	27s
10^7	-	-	27s
10^8	-	-	51s

参考

SPARK-8682