Question

我有一个火花作业的以下输入数据（在Parquet中）：

Person (millions of rows)
+---------+----------+---------------+---------------+
|  name   | location |     start     |      end      |
+---------+----------+---------------+---------------+
| Person1 |     1230 | 1478630000001 | 1478630000010 |
| Person2 |     1230 | 1478630000002 | 1478630000012 |
| Person2 |     1230 | 1478630000013 | 1478630000020 |
| Person3 |     3450 | 1478630000001 | 1478630000015 |
+---------+----------+---------------+---------------+


Event (millions of rows)
+----------+----------+---------------+
|  event   | location |  start_time   |
+----------+----------+---------------+
| Biking   |     1230 | 1478630000005 |
| Skating  |     1230 | 1478630000014 |
| Baseball |     3450 | 1478630000015 |
+----------+----------+---------------+

我需要将其转换为以下预期结果：

[{
    "name" : "Biking",
    "persons" : ["Person1", "Person2"]
},
{
    "name" : "Skating",
    "persons" : ["Person2"]
},
{
    "name" : "Baseball",
    "persons" : ["Person3"]
}]

单词：结果是每个事件的列表，每个事件都包含参与此事件的人员列表。

如果

，某人将被视为参与者

Person.start < Event.start_time 
&& Person.end > Event.start_time
&& Person.location == Event.location

我尝试了不同的方法，但实际上似乎唯一有效的方法是加入两个数据帧，然后按事件分组/聚合它们。但是连接速度非常慢，并且不能很好地分布在多个CPU核心上。

加入的当前代码：

final DataFrame fullFrame = persons.as("persons")
    .join(events.as("events"), col("persons.location").equalTo(col("events.location"))
               .and(col("events.start_time").geq(col("persons.start")))
               .and(col("events.start_time").leq(col("persons.end"))), "inner");

//count to have an action 
fullFrame.count();

我正在使用Spark Standalone和Java，如果这有所不同。

有没有人更好地了解如何使用Spark 1.6.2来解决这个问题？

Answer 1

范围连接作为交叉产品执行，后续过滤步骤。一个可能更好的解决方案是，广播可能更小的events表，然后映射persons表：在地图内，检查连接条件并生成相应的结果

Spark数据帧加入范围慢

1 个答案: