论文研究 基于Spark的两表等值连接过程优化.pdf

在数据统计分析查询中表间的等值连接是常用的操作之一，但代价较高。大数据环境下大表之间等值连接的效率更低。为了解决该问题，提出了一种基于Spark的两表等值连接过程优化方法。首先根据数据价值密度特征构建Bloom filter完成表的过滤操作；其次结合simi-join和partition join两者的优势，对过滤后的单侧表使用贪心算法进行拆分；最后对拆分后的子集进行连接，因此把两大表的连接过程转换为分阶段进行的两小表连接。代价分析和实验结果表明，该算法与现有基于Spark的连接操作相比，不仅在性能上得到了提升，而且当出现数据倾斜时对算法效率影响较小。