spark做两张大表的join操作，mapPartition和重分区算子的使用策略_spark两张千万的表join

Spark中做两个大hive表的join操作，先读取过来处理成两个数据量很大的RDD，如果两个RDD直接进行join操作，势必会造成shuffle等导致运行非常缓慢，那么怎么优化呢？方法如下：

首先，对每个大hive表生成RDD进行优化

1. 对RDD进行repartition重分区

先依据Executor数和内存情况估算出对RDD分为多少个partition比较合适，因为一个partition对应一个task，会分发给一个Executor的core去执行运算操作。

所以首先对RDD进行重分区，将数据打散。

2. 采用mapPartition算子，一次性处理一个分区的数据

在这一步进行group by操作，将相同key的value值进行加和

3. reduceByKey算子，对不同的key进行聚合

经过上面的重分区，以及预聚合（group by，func加和），此时reduce端的计算压力就小了很多。

然后，对两个hive表对应的<经步骤一处理后的RDD>，进行重分区操作

这一步是因为如果两个RDD的分区数一致，join的时候就不会出现一个分区的key需要关联另一边多个分区的key的情况，也就是不会出现宽依赖，即不会出现shuffle操作；

这样也可以加快join的速度。

最后，两个RDD进行join即可。

-----------------------以下为mapPartition算子的使用技巧---------------------

因为mapPartition算子里func的函数类型：Iterator[T] => Iterator[U]，也就是需要返回一个迭代器类型

所以代码如下，需要加容器

//先分组，解决数据倾斜问题，
val vertexPairRddGroup1: RDD[(String, String)] = vertexPairRdd.map {
  case ((srcId, dstId), (_, _)) => (srcId, dstId)
}.mapPartitions(iter => {
  //对每个分区进行分组，groupbyKey
  val list = iter.toList
  val data = list.groupBy(x => x._1)
  //分组后的容器
  val buffer = new ListBuffer[(String, String)]
  data.foreach(x => {
    var str = ""
    x._2.foreach(y => {
      str = str + "\001" + y._2
    })
    if (!"".equals(str)) {
      val ids = str.trim
      buffer.+=((x._1, ids))
    }
  })
  buffer.toIterator
}).reduceByKey((V1, V2) => V1 + "\001" + V2, 5000)

by 大牛王伟大牛