问题描述
我已经在Spark中使用以下命令创建了存储桶表：
df.write.bucketBy(200,"UserID").sortBy("UserID").saveAsTable("topn_bucket_test")
表的大小：50 GB
然后，我在UserId列上将另一个表（例如t2，大小：70 GB）与上面的表连接在一起。我发现在执行计划中，表topn_bucket_test在联接之前已被排序（但没有被重新排序），并且我期望在进行联接之前不会对其进行重新排序或排序。可能是什么原因？以及如何删除topn_bucket_test的排序阶段？
解决方法
就我而言，无法避免排序阶段。使用相同的bucketBy调用时，两个表的物理存储区不太可能相同。想象一下，第一个表的UserID范围从1到1000，第二个表的ID从1到2000。不同的UserID可能最终出现在200个存储桶中，并且在这些存储桶中可能有多个不同的（未排序！）UserID。