Apache Spark：广播连接不适用于缓存的数据帧

Question

当我加入两个数据帧时：

 val secondDf= sparkSession.read.parquet(inputPath)
 joinedDf = firstDf.join(secondDf, Seq("ID"), "left_outer")

Spark 似乎进行广播连接并且没有发生改组。

但是当我缓存较小的 Df 时：

 val secondDf= sparkSession.read.parquet(inputPath).cache()
 joinedDf = firstDf.join(secondDf, Seq("ID"), "left_outer")

Spark 正在为加入洗牌，因此似乎没有发生广播加入。

我的问题是：为什么会这样？当我缓存一个数据帧时，如何避免混洗？

非常感谢

Answer 1

尝试

firstDf.join(broadcast(secondDf), Seq....)

不确定为什么缓存会有所作为，Spark 有时有点不可预测。

您可以尝试将 secondDf 写入磁盘并读回而不是缓存，如果它很小，这样做的开销将是最小的。