数据帧操作的奇怪行为

Question

考虑代码：

val df1 = spark.table("t1").filter(col("c1")=== lit(127))
val df2 = spark.sql("select x,y,z from  ORCtable")
val df3 = df1.join(df2.toDF(df2.columns.map(_ + "_R"): _*),
trim(upper(coalesce(col("y_R"), lit("")))) === trim(upper(coalesce(col("a"), lit("")))), "leftouter")
df3.select($"y_R",$"z_R").show(500,false)

这将产生警告WARN TaskMemoryManager: Failed to allocate a page (2097152 bytes), try again.代码失败java.lang.OutOfMemoryError: GC overhead limit exceeded。

但是如果我运行以下代码：

val df1 = spark.table("t1").filter(col("c1")=== lit(127))
val df2 = spark.sql("select x,y,z from  ORCtable limit 2000000")//only difference here
//ORC table has 1651343 rows so doesn't exceed limit 2000000
val df3 = df1.join(df2.toDF(df2.columns.map(_ + "_R"): _*),
trim(upper(coalesce(col("y_R"), lit("")))) === trim(upper(coalesce(col("a"), lit("")))), "leftouter")
df3.select($"y_R",$"z_R").show(500,false)

这将产生正确的输出。我不知道为什么会发生这种情况以及会发生什么变化。有人可以帮助理解这一点吗？

Answer 1

回答我自己的问题：Sparkphysical execution plan对于生成相同dataframe的两种方式是不同的，可以通过调用.explain()方法来检查。

第一种方法使用导致java.lang.OutOfMemoryError: GC overhead limit exceeded的broadcast-hash join，而后一种方法运行sort-merge join通常较慢，但不会使垃圾收集造成太大压力。

物理执行计划的这种差异是由df2 dataframe上的附加filter操作引入的。