from pyspark import SparkContext
sc = SparkContext()
rdd1 = sc.parallelize([('a', 1), ('b', 2), ('c', 3), ('d', 4)], numSlices=8)
rdd2 = rdd1.mapValues(lambda x: x)
这些RDD具有相同的分区:
rdd1.keys().glom().collect()
>>> [[], ['a'], [], ['b'], [], ['c'], [], ['d']]
rdd2.keys().glom().collect()
>>> [[], ['a'], [], ['b'], [], ['c'], [], ['d']]
在SO上有多个答案,这表明加入共分区数据不会引起洗牌,这对我来说很有意义。示例:联合分区的RDD的联接是否会导致Apache Spark改组?
但是,当我使用PySpark加入这些共同分区的RDD时,数据会重新整理到一个新的分区中:
rdd1.join(rdd2).keys().glom().collect()
>>> [['a'], [], ['c'], ['b'], [], ['d'], [], [], [], [], [], [], [], [], [], []]
即使我将新分区的数量设置为原来的8个,分区也会发生变化:
rdd1.join(rdd2, numPartitions=8).keys().glom().collect()
>>> [['a'], [], ['c'], ['b'], [], ['d'], [], []]
为什么我无法避免使用这些共分区的RDD进行混洗?
我正在使用Spark 1.6.0。
在这种情况下,既不分区rdd1
也不rdd2
分区
rdd1 = sc.parallelize([('a', 1), ('b', 2), ('c', 3), ('d', 4)])
rdd2 = rdd1.mapValues(lambda x: x)
rdd1.partitioner is None
## True
rdd2.partitioner is None
# True
因此,根据定义,不存在共分区。虽然可以对数据进行分区并加入:
n = rdd1.getNumPartitions()
rdd1part = rdd1.partitionBy(n)
rdd2part = rdd2.partitionBy(n)
rdd1part.join(rdd2part) # rdd1part and rdd2part are co-partitioned
这只会重新排列DAG,而不会阻止随机播放。
另请参见Spark中的默认分区方案
本文收集自互联网,转载请注明来源。
如有侵权,请联系[email protected] 删除。
我来说两句