From 55e4f060acf71741815c331b4b2bef731c736506 Mon Sep 17 00:00:00 2001 From: =?UTF-8?q?=E7=BD=97=E7=A5=A5?= <1366971433@qq.com> Date: Tue, 4 Jun 2019 17:58:20 +0800 Subject: [PATCH] =?UTF-8?q?spark=20SQL=E8=BF=9E=E6=8E=A5=E6=93=8D=E4=BD=9C?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- notes/SparkSQL联结操作.md | 28 ++++++++++++++-------------- 1 file changed, 14 insertions(+), 14 deletions(-) diff --git a/notes/SparkSQL联结操作.md b/notes/SparkSQL联结操作.md index ed4f174..7ec06f3 100644 --- a/notes/SparkSQL联结操作.md +++ b/notes/SparkSQL联结操作.md @@ -16,7 +16,7 @@ ## 一、 数据准备 -本文主要介绍Spark的多表连接，需要预先准备测试数据。分别创建员工和部门的datafame，并注册为临时视图，代码如下： +本文主要介绍Spark SQL的多表连接，需要预先准备测试数据。分别创建员工和部门的Datafame，并注册为临时视图，代码如下： ```scala val spark = SparkSession.builder().appName("aggregations").master("local[2]").getOrCreate() @@ -49,7 +49,7 @@ dept部门表 |-- LOC: 部门所在城市 ``` -> 注：emp.json，dept.json可以在本仓库的resources目录进行下载。 +> 注：emp.json，dept.json可以在本仓库的[resources](https://github.com/heibaiying/BigData-Notes/tree/master/resources)目录进行下载。 @@ -57,20 +57,20 @@ dept部门表 Spark中支持多种连接类型： -+ Inner joins : 内连接； -+ Full Outer joins : 全外连接； -+ Left outer joins : 左外连接； -+ Right outer joins : 右外连接； -+ Left semi joins : 左半连接； -+ Left anti joins : 左反连接； -+ Natural joins : 自然连接； -+ Cross (or Cartesian) joins : 交叉(或笛卡尔)连接。 ++ **Inner Join** : 内连接； ++ **Full Outer Join** : 全外连接； ++ **Left Outer Join** : 左外连接； ++ **Right Outer Join** : 右外连接； ++ **Left Semi Join** : 左半连接； ++ **Left Anti Join** : 左反连接； ++ **Natural Join** : 自然连接； ++ **Cross (or Cartesian) Join** : 交叉(或笛卡尔)连接。 其中内，外连接，笛卡尔积均与普通关系型数据库中的相同，如下图所示：
-这里解释一下左半连接和左反连接，这两个连接等价于关系型数据库中的IN和NOT IN字句： +这里解释一下左半连接和左反连接，这两个连接等价于关系型数据库中的`IN`和`NOT IN`字句： ```sql -- LEFT SEMI JOIN @@ -162,17 +162,17 @@ spark.sql("SELECT * FROM emp JOIN dept ON emp.deptno = dept.deptno").show() ## 三、连接的执行 -在对大表与大表之间进行连接操作时，通常都会触发shuffle join，两表的所有分区节点会进行All-to-All的通讯，这种查询通常比较昂贵，会对网络IO会造成比较大的负担。 +在对大表与大表之间进行连接操作时，通常都会触发`Shuffle Join`，两表的所有分区节点会进行`All-to-All`的通讯，这种查询通常比较昂贵，会对网络IO会造成比较大的负担。
-而对于大表和小表的连接操作，Spark会在一定程度上进行优化，如果小表的数据量小于Work Node上内存空间，Spark会考虑将小表的数据广播到每一个工作节点，在每个工作节点内部执行连接计算，这可以降低网络的IO，但会加大每个工作节点上的CPU负担。 +而对于大表和小表的连接操作，Spark会在一定程度上进行优化，如果小表的数据量小于Worker Node的内存空间，Spark会考虑将小表的数据广播到每一个Worker Node，在每个工作节点内部执行连接计算，这可以降低网络的IO，但会加大每个Worker Node的CPU负担。
-是否采用广播方式进行JOIN取决于程序内部的判断，如果想明确使用广播方式进行JOIN，可以在DataFrame API 中使用`broadcast`方法显示指定需要广播的小表： +是否采用广播方式进行`Join`取决于程序内部对小表的判断，如果想明确使用广播方式进行`Join`，则可以在DataFrame API 中使用`broadcast`方法指定需要广播的小表： ```scala empDF.join(broadcast(deptDF), joinExpression).show()