PySpark广播表连接解决数据倾斜的完整案例

使用PySpark解决数据倾斜问题的完整案例，通过广播表连接的方式来优化性能。

1. 准备数据

假设我们有两张表，一张大表 big_table 和一张小表 small_table ，小表将作为广播表。

from pyspark.sql import SparkSession

# 初始化SparkSession
spark = SparkSession.builder.appName("Data Skew Example").getOrCreate()

# 模拟大表数据
big_table = spark.createDataFrame([(i, f"value_{i}") for i in range(1000000)], ["id", "data"])

# 模拟小表数据
small_table = spark.createDataFrame([(i, f"category_{i%10}") for i in range(100)], ["id", "category"])

2. 查看广播表大小

import sys
from pyspark.sql.functions import col

# 查看小表的大小，单位字节
small_table_size = small_table.select(col("*")).count() * sys.getsizeof(tuple(small_table.first()))
print(f"Size of small_table: {small_table_size} bytes")

3. 初始连接（产生数据倾斜）

# 不使用广播进行连接，会产生数据倾斜

joined_without_broadcast = big_table.join(small_table, "id")

4. 使用广播表连接

from pyspark.sql.functions import broadcast

# 使用广播表连接
joined_with_broadcast = big_table.join(broadcast(small_table), "id")

5. 查看Spark WebUI分析数据倾斜

运行作业：在执行上述代码时，Spark会启动作业，可以通过Spark WebUI查看作业执行情况。在浏览器中访问 http://:4040 （这是Spark默认的WebUI端口，实际可能不同）。
查看阶段详情：进入“Jobs”页面，找到对应的作业，点击进入查看各阶段（Stage）详情。在阶段详情里，可以看到任务（Task）的执行时间分布。没有广播时，数据倾斜表现为部分任务执行时间远长于其他任务；使用广播后，任务执行时间应更均匀。
查看执行计划：也可以通过调用 joined_with_broadcast.explain() 查看执行计划，确认广播表是否正确应用。

# 查看执行计划
joined_with_broadcast.explain()

6. 完整代码示例

from pyspark.sql import SparkSession
import sys
from pyspark.sql.functions import col, broadcast

# 初始化SparkSession
spark = SparkSession.builder.appName("Data Skew Example").getOrCreate()

# 模拟大表数据
big_table = spark.createDataFrame([(i, f"value_{i}") for i in range(1000000)], ["id", "data"])

# 模拟小表数据
small_table = spark.createDataFrame([(i, f"category_{i%10}") for i in range(100)], ["id", "category"])

# 查看小表的大小，单位字节
small_table_size = small_table.select(col("*")).count() * sys.getsizeof(tuple(small_table.first()))
print(f"Size of small_table: {small_table_size} bytes")

# 不使用广播进行连接，会产生数据倾斜
joined_without_broadcast = big_table.join(small_table, "id")

# 使用广播表连接
joined_with_broadcast = big_table.join(broadcast(small_table), "id")

# 查看执行计划
joined_with_broadcast.explain()

这个案例先创建了大小两张表，查看小表大小以确认适合广播，演示了普通连接产生数据倾斜的情况，接着使用广播表连接解决该问题，并说明了如何从Spark WebUI查看数据倾斜的发生与解决效果。