• Spark 分区


    Spark 分区

    tag: Spark, Spark Partitioner, Spark Repartition

    2021-04-2513:36:44 星期六
    version: spark-2.4.5

    分区器

    自定义key分发的逻辑仅在 RDD 级别适用。

    1. Partitioner
      自定义分区器

      abstract class Partitioner extends Serializable {
          abstract def getPartition(key: Any): Int // 返回值类似于数组Index
      	abstract def numPartitions: Int
      }
      
    2. HashPartitioner
      自带Hash分区器, 分区ID: key.hashCode % numPartitions 负数则加Mod否则返回

      class HashPartitioner extends Partitioner{ new HashPartitioner(partitions: Int) }
      
    3. RangePartitioner
      相比HashPartitioner,RangePartitioner分区会尽量保证每个分区中数据量的均匀, 要求Key可比较.
      将分区数据分成块, 用鱼塘抽样对块计算(主要是为了得到尽量多的值 与其count) 之后就是选分隔符, 就跟HBase的Region的范围似的

      class RangePartitioner[K, V] extends Partitioner
      

    重分区算子

    1. coalesce
      返回numPartitions个分区的新RDD, 当shuffle = false时, 这是一个 narrow dependency 算子性能较好,
      一般用来减少分区数, 比如从 100 -> 10(最好不少于Executor个数)

      def coalesce(numPartitions: Int, shuffle: Boolean = false, partitionCoalescer: Option[PartitionCoalescer] = Option.empty)(implicit ord: Ordering[T] = null): RDD[T]
      
    2. repartition
      带有Shuffle的Repartition, 可以任意调节分区数.

      /** Return a new RDD that has exactly numPartitions partitions. */
      def repartition(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T]
      
    3. repartitionAndSortWithinPartitions
      返回按照Partitioner给出的Key重分区并顺序排序后的RDD, 利用ShuffleSortManager实现, 相比于 repartition + sortByKey 性能更好.
      即相当于 sortByKey -> exchange -> merge

      /**
       * Repartition the RDD according to the given partitioner and, within each resulting
       * partition, sort records by their keys.
       * This is more efficient than calling repartition and then sorting within each
       * partition because it can push the sorting down into the shuffle machinery.
      */
      def repartitionAndSortWithinPartitions(partitioner: Partitioner): RDD[(K, V)]
      

    分区数变化

    1. Spark RDD/DS从文件得来则遵循文件分割规则, 有N个分区
    2. 进行coalesce减少分区操作则分区数N减少
    3. 执行map类不会改变分区数的操作则分区数与父RDD/DS相同
    4. 进行repartition 则变更分区数为规定的分区数
    5. 进行宽依赖计算则在shuffle后分区变为参数设置的并发度
  • 相关阅读:
    SpriteKit改变Node锚点其物理对象位置不对的解决
    亲热接触Redis-第二天(Redis Sentinel)
    Java设计模式(二)-单例模式
    Android—构建安全的Androidclient请求,避免非法请求
    自己主动化測试使用mybatis更新数据库信息实例
    UML回想-通信图
    第十六课 数组的引入 【项目1-5】
    被这个样式惊醒
    netty自定义解码器
    解决netty客户端接收报文不完整的情况
  • 原文地址:https://www.cnblogs.com/chinashenkai/p/14703219.html
Copyright © 2020-2023  润新知