我现在正在研究这两个概念,并希望有一些清晰度 . 通过命令行,我一直在尝试识别差异,以及开发人员何时使用repartition vs partitionBy .
以下是一些示例代码:
rdd = sc.parallelize([('a', 1), ('a', 2), ('b', 1), ('b', 3), ('c',1), ('ef',5)])
rdd1 = rdd.repartition(4)
rdd2 = rdd.partitionBy(4)
rdd1.glom().collect()
[[('b', 1), ('ef', 5)], [], [], [('a', 1), ('a', 2), ('b', 3), ('c', 1)]]
rdd2.glom().collect()
[[('a', 1), ('a', 2)], [], [('c', 1)], [('b', 1), ('b', 3), ('ef', 5)]]
我看了两者的实现,我注意到的唯一区别是partitionBy可以采用分区功能,或者默认情况下使用portable_hash . 所以在partitionBy中,所有相同的键应该在同一个分区中 . 在重新分区中,我希望值在分区上更均匀地分布,但事实并非如此 .
鉴于此,为什么有人会使用重新分配?我想我唯一能看到它被使用的是我是不是在使用PairRDD,或者我有大数据偏差?
有什么东西我不知道,还是有人可以从不同的角度为我揭开光芒?
2 回答
repartition
已存在于RDD中,并且不按键(或除订购之外的任何其他标准)处理分区 . 现在,PairRDD添加了密钥的概念,并随后添加了另一种允许按该密钥分区的方法 .所以是的,如果您的数据是键控的,那么您应该绝对按该键进行分区,这在很多情况下是首先使用PairRDD的点(对于连接,reduceByKey等) .
repartition()
用于指定考虑核心数量和数据量的分区数量 .partitionBy()
用于使洗牌函数更有效,例如reduceByKey()
,join()
,cogroup()
等 . 它仅在多次使用RDD的情况下有用,因此通常后跟persist()
.两者在行动中的差异: