spark中大表关联小表hint和explain的使用
1. 问题背景:
在工作中中遇到个问题,那就是一个 大表A left join 一个很小的表 B
查询速度总是很慢, 就想着怎么去优化,于是就查了些资料,得到可以通过
设置 broadcastjoin的方式来优化,但是呢,这种方法很多都是使用scala
的语法去写dataframe的方式实现,但是这太大费周章了,于是找到了hint的方法
2. spark关联方式的知识(broadcast join、shuffle hash join和sort merge join)
1. 小表对大表(broadcast join)
将小表的数据分发到每个节点上,供大表使用。executor存储小表的全部数据,一定程度上牺牲了空间,换取shuffle操作大量的耗时,这在SparkSQL中称作Broadcast Join
Broadcast Join的条件有以下几个:
*被广播的表需要小于 spark.sql.autoBroadcastJoinThreshold 所配置的值,默认是10M (或者加了broadcast join的hint)
*基表不能被广播,比如 left outer join 时,只能广播右表
2. Shuffle Hash Join
分为两步:
对两张表分别按照join keys进行重分区,即shuffle,目的是为了让有相同join keys值的记录分到对应的分区中
对对应分区中的数据进行join,此处先将小表分区构造为一张hash表,然后根据大表分区中记录的join keys值拿出来进行匹配
3. 大表对大表(Sort Merge Join)
将两张表按照join keys进行了重新shuffle,保证join keys值相同的记录会被分在相应的分区。分区后对每个分区内的数据进行排序,排序后再对相应的分区内的记录进行连接
因为两个序列都是有序的,从头遍历,碰到key相同的就输出;如果不同,左边小就继续取左边,反之取右边
3. explain的基础知识
explain + select 语句
执行即可查看 这个段查询的 执行计划,即 查询会按照什么样的方式执行
4. 解决问题:
1. 首先要确定这个大表A left join 小表B 现在使用的什么样的关联方式
执行
explain select * from A join B on A.id = b.id
然后 查看执行计划,查看关键字是否有broadcast,如果有,那就不需要
指定broadcast这种关联方式,再找其他优化方式,如果没有
2. 那就 增加hint 指定broadcast的关联方式,具体方式为
select + /*+ BROADCASTJOIN(B) */
这里需要注意的点是 B如果是子查询的话,那么B就是这个子查询的别名
3. 然后就是查询验证,完成了优化