스파크 버킷 팅 및 collect_set 집계

Question

저는 Spark-2.2를 사용하고 있습니다. 나는 스파크의 버킷을 Pocing하고 있습니다.

내가이 요청에 의한 그룹의 설명 실행하고있어

+--------------------+--------------------+-------+ 
|   col_name|   data_type|comment| 
+--------------------+--------------------+-------+ 
|    bundle|    string| null| 
|     ifa|    string| null| 
|    date_|    date| null| 
|    hour|     int| null| 
|     |     |  | 
|# Detailed Table ...|     |  | 
|   Database|    default|  | 
|    Table|    my_bucketed_tbl| 
|    Owner|   zeppelin|  | 
|    Created|Thu Dec 21 13:43:...|  | 
|   Last Access|Thu Jan 01 00:00:...|  | 
|    Type|   EXTERNAL|  | 
|   Provider|     orc|  | 
|   Num Buckets|     16|  | 
|  Bucket Columns|    [`ifa`]|  | 
|  Sort Columns|    [`ifa`]|  | 
| Table Properties|[transient_lastDd...|  | 
|   Location|hdfs:/user/hive/w...|  | 
|  Serde Library|org.apache.hadoop...|  | 
|   InputFormat|org.apache.hadoop...|  | 
|  OutputFormat|org.apache.hadoop...|  | 
| Storage Properties|[serialization.fo...|  | 
+--------------------+--------------------+-------+ 

, 내가 볼 수있는 우리가 교환 단계 아끼지했다고 :

sql("select ifa,max(bundle) from my_bucketed_tbl group by ifa").explain 

== Physical Plan == 
SortAggregate(key=[ifa#932], functions=[max(bundle#920)]) 
+- SortAggregate(key=[ifa#932], functions=[partial_max(bundle#920)]) 
    +- *Sort [ifa#932 ASC NULLS FIRST], false, 0 
     +- *FileScan orc default.level_1[bundle#920,ifa#932] Batched: false, Format: ORC, Location: InMemoryFileIndex[hdfs://ip-10-44-9-73.ec2.internal:8020/user/hive/warehouse/level_1/date_=2017-1..., PartitionFilters: [], PushedFilters: [], ReadSchema: struct<bundle:string,ifa:string> 

을 나는 bucketed 테이블을 만들었습니다, 여기에 desc formatted my_bucketed_tbl 출력입니다

하지만, 내가 collect_set와 함께 불꽃의 max 기능을 교체 할 때 내가 실행 계획은 교환 단계가 절약되지 않고, 비 bucketed 테이블과 같은 의미 있다고 볼 수

sql("select ifa,collect_set(bundle) from my_bucketed_tbl group by ifa").explain 

== Physical Plan == 
ObjectHashAggregate(keys=[ifa#1010], functions=[collect_set(bundle#998, 0, 0)]) 
+- Exchange hashpartitioning(ifa#1010, 200) 
    +- ObjectHashAggregate(keys=[ifa#1010], functions=[partial_collect_set(bundle#998, 0, 0)]) 
     +- *FileScan orc default.level_1[bundle#998,ifa#1010] Batched: false, Format: ORC, Location: InMemoryFileIndex[hdfs://ip-10-44-9-73.ec2.internal:8020/user/hive/warehouse/level_1/date_=2017-1..., PartitionFilters: [], PushedFilters: [], ReadSchema: struct<bundle:string,ifa:string> 

내가 놓친 구성이 있습니까? 아니면 Spark의 버킷이 현재 가지고있는 제한 사항입니까?

Answer 1

문제가 2.2.1 버전에서 수정되었습니다.