apache-spark - Apache Spark：广播连接不适用于缓存的数据帧

Question

当我加入两个数据框时：

 val secondDf= sparkSession.read.parquet(inputPath)
 joinedDf = firstDf.join(secondDf, Seq("ID"), "left_outer")

Spark 似乎进行了广播连接，并且没有发生改组。

但是一旦我缓存了较小的 Df：

 val secondDf= sparkSession.read.parquet(inputPath).cache()
 joinedDf = firstDf.join(secondDf, Seq("ID"), "left_outer")

Spark 正在改组加入，因此似乎没有发生广播加入。

我的问题是：为什么会这样？当我缓存一个数据帧时，如何避免洗牌？

非常感谢

标签： apache-sparkspark-dataframe

Answer 1

尝试

firstDf.join(broadcast(secondDf), Seq....)

不知道为什么缓存会有所作为，Spark 有时有点不可预测。

您可以尝试写入secondDf磁盘并将其读回而不是缓存，如果它很小，那么这样做的开销将是最小的。