Scala Spark中的循环分区是如何工作的?
我很难理解Spark中的循环划分。考虑下面的例子。我将大小为3的Seq拆分为3个分区:Scala Spark中的循环分区是如何工作的?,scala,apache-spark,partitioning,Scala,Apache Spark,Partitioning,我很难理解Spark中的循环划分。考虑下面的例子。我将大小为3的Seq拆分为3个分区: val df = Seq(0,1,2).toDF().repartition(3) df.explain == Physical Plan == Exchange RoundRobinPartitioning(3) +- LocalTableScan [value#42] 现在,如果我检查分区,我会得到: df .rdd .mapPartitionsWithIndex{case (i,rows)
val df = Seq(0,1,2).toDF().repartition(3)
df.explain
== Physical Plan ==
Exchange RoundRobinPartitioning(3)
+- LocalTableScan [value#42]
现在,如果我检查分区,我会得到:
df
.rdd
.mapPartitionsWithIndex{case (i,rows) => Iterator((i,rows.size))}
.toDF("partition_index","number_of_records")
.show
+---------------+-----------------+
|partition_index|number_of_records|
+---------------+-----------------+
| 0| 0|
| 1| 2|
| 2| 1|
+---------------+-----------------+
如果我对大小为8的Seq执行相同的操作,并将其拆分为8个分区,则会得到更严重的倾斜:
(0 to 7).toDF().repartition(8)
.rdd
.mapPartitionsWithIndex{case (i,rows) => Iterator((i,rows.size))}
.toDF("partition_index","number_of_records")
.show
+---------------+-----------------+
|partition_index|number_of_records|
+---------------+-----------------+
| 0| 0|
| 1| 0|
| 2| 0|
| 3| 0|
| 4| 0|
| 5| 0|
| 6| 4|
| 7| 4|
+---------------+-----------------+
有人能解释一下这种行为吗。就我所了解的循环分区而言,所有分区都显示为~相同的大小。我无法解释原因,但不知何故,它是指向本地主机的链接 如果您选择显式设置:
每个分区的行(无并行性)--master local=>1
--master“local[2]”=>每个分区2行(4个分区为空)
--master“local[4]”=>每个分区4行(6个分区为空)
--master“local[8]”=>每个分区8行(7个分区为空)
mapPartitions
)对行进行分区,而不向驱动程序提供任何内容
逻辑是从随机选取的目标分区开始,然后以循环方法将分区分配给行。请注意,为每个源分区选择“开始”分区,可能会发生冲突
最终的分布取决于许多因素:源/目标分区的数量和数据帧中的行数 有趣!
local[N]
中N
的数量决定初始分区的数量,例如当N=4
时,然后(0到7).toDF().rdd.getNumPartitions=4
。因此,循环分区(round-robin partitioning)4个分区中有8个分区,这一定有魔力