pyspark中SQL中的多视图广播

我想在连接一个大表时在多个小表上使用广播提示。在下面的示例中，SMALLTABLE2在不同的连接列上多次与LARGETABLE连接。现在，为了获得更好的性能，我希望同时广播SMALLTABLE1和SMALLTABLE2。这可以通过简单地添加提示/*广播（B、C、D、E）*/或者有更好的解决方案来实现吗？SMALLTABLE1&SMALLTABLE2我通过查询数据帧中的配置单元表，然后使用createOrReplaceTempView创建一个作为SMALLTABLE1&SMALLTABLE2的视图来获取数据；这将在下面的查询中使用

是否有使用createOrReplaceTempView函数创建的广播视图

SELECT A.COL1, A.COL2, A.COL3, B.COL4, C.COL5, D.COL6, E.COL7
FROM LARGETABLE A
JOIN SMALLTABLE1 B
ON A.LCOL = B.SCOL
JOIN SMALLTABLE2 C
ON A.LCOL1 = C.SCOL
JOIN SMALLTABLE2 D
ON A.LCOL2 = D.SCOL
JOIN SMALLTABLE2 E
ON A.LCOL3 = E.SCOL

---

如果您使用的是spark 2.2+，则可以使用以下任何提示

MAPJOIN/BROADCAST/BROADCASTJOIN

有关此功能的更多详细信息，请参阅Jira和

示例：下面我已经使用了广播，但是您可以使用映射连接/broadcastjoin提示将产生相同的解释计划

（或）

如果您使用的是Spark<2，那么我们需要使用dataframeapi来持久化，然后注册为临时表，这样我们就可以实现内存中的连接

>>> df=hc.range(10000000)
>>> df.persist() --persist the df in memory
>>> df.registerTempTable("u") --register temp table
>>> df1=hc.range(10000000)
>>> df1.persist()
>>> df1.registerTempTable("t")
>>> hc.sql("select * from t join u on t.id=u.id").explain()
== Physical Plan ==
Project [id#11L,id#26L]
+- SortMergeJoin [id#11L], [id#26L]
   :- Sort [id#11L ASC], false, 0
   :  +- TungstenExchange hashpartitioning(id#11L,200), None
   :     +- InMemoryColumnarTableScan [id#11L], InMemoryRelation [id#11L], true, 10000, StorageLevel(false, true, false, false, 1), ConvertToUnsafe, None
   +- Sort [id#26L ASC], false, 0
      +- TungstenExchange hashpartitioning(id#26L,200), None
         +- InMemoryColumnarTableScan [id#26L], InMemoryRelation [id#26L], true, 10000, StorageLevel(false, true, false, false, 1), ConvertToUnsafe, None

使用数据帧而不创建任何临时表

此外，广播连接在Spark中自动完成

有一个参数是“spark.sql.autoBroadcastJoinThreshold”，默认设置为10mb

然后更改默认值

conf.set("spark.sql.autoBroadcastJoinThreshold", 1024*1024*<mb_value>)

conf.set（“spark.sql.autoBroadcastJoinThreshold”，1024*1024*）

有关更多信息，请参阅有关spark.sql.autoBroadcastJoinThreshold的链接

>>>from pyspark.sql.functions import *
>>> df=hc.range(10000000)
>>> df1=hc.range(10000000)
>>> df.join(broadcast(df1),['id']).explain()
== Physical Plan ==
Project [id#26L]
+- BroadcastHashJoin [id#26L], [id#11L], BuildRight
   :- ConvertToUnsafe
   :  +- Scan ExistingRDD[id#26L]
   +- ConvertToUnsafe
      +- Scan ExistingRDD[id#11L]

conf.set("spark.sql.autoBroadcastJoinThreshold", 1024*1024*<mb_value>)