SparkRDD的一些使用经验

40 篇文章 23 订阅 ¥19.90 ¥99.00
本文分享了如何优化SparkRDD操作以减少shuffle带来的开销,包括先去重再合并、显式缓存中间结果、使用mapValues以及利用broadcast和filter替代join等策略,以提升Spark作业的执行效率。
摘要由CSDN通过智能技术生成

要减少shuffle的开销,主要有两个思路:

  1. 减少shuffle次数,尽量不改变key,把数据处理在local完成;
  2. 减少shuffle的数据规模。

先去重,再合并

比如有A、B这样两个规模比较大的RDD,如果各自内部有大量重复,那么二者一合并,再去重:

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

mtj66

看心情

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值