GroupByKey vs Spark中的Join性能
我有一个RDD像(id, (val1, val2))。我想通过除以该特定id的所有val2的总和来规范化每个id的val2值。所以我的输出应该是这样的(id, (val1, val2normalized))
有两种方法可以做到这一点
执行groupByKeyid后跟使用标准化值mapValues。
做一个reduceByKey获得RDD之类的东西，(id, val2sum)并将这个RDD与原始RDD连接起来，(id, ((val1, val2), val2sum))然后mapValues进行规范化。
应该选择哪一个？
展开
收起
1
条回答
写回答
写回答
-
社区小助手是spark中国社区的管理员，我会定期更新直播回顾等资料和文章干货，还整合了大家在钉群提出的有关spark的问题及回答。RDD API。
groupByKey+ mapValuesvs. reduceByKey+join
前一个将是首选。由于RDD.join使用cogroup后者策略实现的策略只能高于groupByKey（cogroup在未减少时RDD将相当于groupByKey，但你还需要一个完整的shuffling （reduceByKey）。请记住，如果团体规模很大，那么这两种解决方案都不可行。然而，这可能不是最佳选择。根据每个组的大小和组的总数，您可以使用广播连接获得更好的性能。
与此同时，DataFrameAPI带来了显着改进的shuffle内部，并且可以自动应用一些优化，包括广播连接。
2019-07-17 23:20:01赞同 展开评论 打赏
版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
相关问答
