大数据量 join 操作

[Asan]

• 一个数据文件记录数在 100 万左右，记作 a ；
• 另一个数据文件记录数在 40 万左右，记作 b。

a 和 b 通过字段 C 是有关联的，现在要把 a left join b，把 a 中的某些字段的值从 b 中补充过来。目前的做法是两个文件的数据分别建表入 MySQL，然后 join 操作，但是性能吃紧。想问下懂大数据的 v 友，使用大数据技术有没有更好的解决方案。

目前自己调研是使用 Hbase Hive SparkSQL 去搞，但是自己之前没有搞过大数据不知道这个调研结果是否可以

[zbinlin]

试试 PostgreSQL

[surfire91]

就这么点数据，索引加好了不得起飞？

[hilbertz]

怎么可能性能吃紧，你跑在树莓派上吗

[Asan]

@hilbertz a 表有 70+字段，b 表有 30+字段，join 的结果需要包含 a 表所有字段，然后将 join 结果写入文本文件

[Asan]

@surfire91 跟索引优化有关？

[Asan]

@zbinlin 这个 join 性能很好？

[lanterboy]

先弄清楚 性能吃紧的瓶颈在业务代码还是数据库

[tumbzzc]

这点数据都性能紧张的话，还搭建 hive 不是更紧张？

[Asan]

@lanterboy 是的，明天确认下是数据库问题还是文件 IO 问题，生产环境 a 表在千万级别

[Asan]

@surfire91 索引是已经加了的，跑完大概在 5 分钟左右

[glacer]

楼主的性能吃紧在 IO，每次都返回 100w 行 100+字段的数据，这能不慢吗

[surfire91]

@Asan 跑完是指什么跑完，只查了库，还干了别的吗？如果查库就占了近 5 分钟，那查询还是有问题的，100 个字段要说多也不多，主要还是看字段类型长度，两个表总共占了多少空间？机器什么配置？多大内存？

[magicsilence]

千万 A 表和四十万 B 表全 load 到 hive， 一个 hql 就能搞定。

sparksql 和 hbase 都不用。

另：hive 可以 on spark

[zzlhr]

建个视图试试

[Mac]

很明显 io 的瓶颈，每次都全量输出不慢才怪呢

[sunnyadamm]

io 问题，量不大，

[zhchyu999]

SQLServer 也能很轻松的搞定，这点量远远不到大数据；
试试优化下你的业务逻辑或者查询逻辑，是否真的需要这么多数据全量 join，能否先缩小一下范围
尽量少的引入外部组件，业务扔不掉，后期维护真的很难

[liprais]

Spark sql 就行了，要不了多久

[laqow]

没有后续查找需要的话是不是只把 B 放数据库，然后逐个 A 行用 C 关键字查询 B 把结果放回 A 就可以了？

[50infivedays]

这个量确实比较小