Spark 广播连接将数据加载到驱动程序答案

【问题标题】：Spark broadcast join loads data to driverSpark 广播连接将数据加载到驱动程序
【发布时间】：2016-10-28 10:47:10
【问题描述】：

据我所知，Spark 执行广播连接时，它首先将最小（广播）RDD 收集到驱动程序以从中生成广播变量，然后才将其上传到每个目标节点。

广播 RDD > spark.driver.memory 有时会导致驱动内存溢出。

问题：为什么它会以这种方式工作？只在目标节点之间打乱广播数据效率更高，因为打乱的数据量是相同的，但我们可以避免驱动程序溢出。

示例：假设您有 3 个节点和 1 GB 数据要在每个节点上广播，每个节点的吞吐量为 1 GB/秒。

Spark 方法 - 每个节点必须将其数据块 (1gb) 上传到驱动程序并下载广播变量 (3 * 1g = 3gb)，因此每个节点总共应传输 4gb，需要 4s。

Shuffle 方法 - 一个节点必须将 1gb 上传到其他 2 个节点并下载这些 1gb。同样，总量为 4 GB，需要 4 秒。

【问题讨论】：

你怎么能确定内存溢出来自那个？
@eliasah 因为我多次看到驱动程序内存不足溢出，堆栈跟踪显然表明原因是从广播 RDD 创建广播变量。唯一有帮助的是增加 spark.driver.memory
OOME 的原因有很多，除非我们真的看起来像“一些代码”，否则我们无法缩小范围
@eliasah 很容易重现：将 spark.driver.memory 设置为 1g，然后尝试：df1.join(broadcast(df2)) 其中 df1 为 100 gb，df2 为 2 gb。您将在驱动程序 100% 上获得 OOM
你不需要广播一个大的DataFrame。你读过这个stackoverflow.com/a/35257145/3415409 吗？

【解决方案1】：

首先广播连接用于连接一个大表和一个极小的表。

那么如果使用shuffle而不是将small df(table)收集回driver然后广播，你只注意到small df被shuffle，但实际上big df也同时被shuffle，这是相当的时间消耗。

【讨论】：

【解决方案2】：

这是不正确的。 Spark 不使用广播进行 RDD 连接。

Spark 可以将广播用于DataFrame 连接，但它不应用于处理大型对象。最好使用标准的 HashJoin。

【讨论】：

确保 Spark 不使用广播进行 RDD 连接。我的意思是，当 Spark 在内部执行广播连接（对于 DataFrames）时，它会将广播 DataFrame 的 RDD[Row] 移动到 master。
-1 有效吗？