Фрейм данных раздела Spark scala для больших перекрестных соединений

У меня есть два кадра данных, которые необходимо перекрестно соединить в кластере из 20 узлов. Однако из-за их размера простое перекрестное соединение не работает. Я хочу разделить данные и выполнить перекрестное соединение, и я ищу эффективный способ сделать это.

Простой алгоритм

Вручную разбить файл f1 на три части и прочитать в фреймы данных: df1A, df1B, df1C.
Вручную разбить файл f2 на четыре части и подготовить к кадрам данных: df2A, df2B, df2C, df2D.
Перекрестное соединение df1A X df2A, df1A X df2B,..,df1A X df2D,...,df1C X df2D.
Сохраняйте каждое перекрестное соединение в файл и вручную собирайте все файлы.
Таким образом, Spark может выполнять каждое перекрестное соединение параллельно, и все должно выполняться довольно быстро.

Вопрос

Есть ли более эффективный способ сделать это, прочитав оба файла в два фрейма данных, затем разбив каждый фрейм данных на 3 и 4 «части» и для каждого раздела одного фрейма данных перекрестное соединение с каждым разделом другого фрейма данных?

Стоит ли изучать PHP в 2023-2024 годах?
Стоит ли изучать PHP в 2023-2024 годах?
Привет всем, сегодня я хочу высказать свои соображения по поводу вопроса, который я уже много раз получал в своем сообществе: "Стоит ли изучать PHP в...
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
В JavaScript одним из самых запутанных понятий является поведение ключевого слова "this" в стрелочной и обычной функциях.
Приемы CSS-макетирования - floats и Flexbox
Приемы CSS-макетирования - floats и Flexbox
Здравствуйте, друзья-студенты! Готовы совершенствовать свои навыки веб-дизайна? Сегодня в нашем путешествии мы рассмотрим приемы CSS-верстки - в...
Тестирование функциональных ngrx-эффектов в Angular 16 с помощью Jest
В системе управления состояниями ngrx, совместимой с Angular 16, появились функциональные эффекты. Это здорово и делает код определенно легче для...
Концепция локализации и ее применение в приложениях React ⚡️
Концепция локализации и ее применение в приложениях React ⚡️
Локализация - это процесс адаптации приложения к различным языкам и культурным требованиям. Это позволяет пользователям получить опыт, соответствующий...
Пользовательский скаляр GraphQL
Пользовательский скаляр GraphQL
Листовые узлы системы типов GraphQL называются скалярами. Достигнув скалярного типа, невозможно спуститься дальше по иерархии типов. Скалярный тип...
0
0
371
2
Перейти к ответу Данный вопрос помечен как решенный

Ответы 2

Ответ принят как подходящий

Фрейм данных может быть разделен эфирным диапазоном или хешем.

val df1 = spark.read.csv("file1.txt")

val df2 = spark.read.csv("file2.txt")

val partitionedByRange1 = df1.repartitionByRange(3, $"k")
val partitionedByRange2 = df2.repartitionByRange(4, $"k")

 val result =partitionedByRange1.crossJoin(partitionedByRange2);

ПРИМЕЧАНИЕ. Установите свойство spark.sql.crossJoin.enabled=true.

Как мне получить доступ к каждому разделу, чтобы я мог зацикливаться на каждом разделе?

RVT 11.03.2019 13:41

Вы можете преобразовать это в rdd, а затем использовать декартову операцию на этом RDD. Затем вы сможете сохранить этот RDD в файл. надеюсь, это поможет

Другие вопросы по теме