Spark源码系列:DataFrame repartition、coalesce 对比

在Spark开发中，有时为了更好的效率，特别是涉及到关联操作的时候，对数据进行重新分区操作可以提高程序运行效率（很多时候效率的提升远远高于重新分区的消耗，所以进行重新分区还是很有价值的）。
在SparkSQL中，对数据重新分区主要有两个方法 repartition 和 coalesce ，下面将对两个方法比较

repartition

 repartition 有三个重载的函数：

• def repartition(numPartitions: Int): DataFrame 

/**
   * Returns a new [[DataFrame]] that has exactly `numPartitions` partitions.
   * @group dfops
   * @since 1.3.0
   */
  def repartition(numPartitions: Int): DataFrame = withPlan {
    Repartition(numPartitions, shuffle = true, logicalPlan)
  }

  此方法返回一个新的[[DataFrame]]，该[[DataFrame]]具有确切的 'numpartition' 分区。

•  def repartition(partitionExprs: Column*): DataFrame 

/**
   * Returns a new [[DataFrame]] partitioned by the given partitioning expressions preserving
   * the existing number of partitions. The resulting DataFrame is hash partitioned.
   *
   * This is the same operation as "DISTRIBUTE BY" in SQL (Hive QL).
   *
   * @group dfops
   * @since 1.6.0
   */
  @scala.annotation.varargs
  def repartition(partitionExprs: Column*): DataFrame = withPlan {
    RepartitionByExpression(partitionExprs.map(_.expr), logicalPlan, numPartitions = None)
  }

 此方法返回一个新的[[DataFrame]]分区，它由保留现有分区数量的给定分区表达式划分。得到的DataFrame是哈希分区的。

这与SQL (Hive QL)中的“distribution BY”操作相同。

• def repartition(numPartitions: Int, partitionExprs: Column*): DataFrame

  /**
   * Returns a new [[DataFrame]] partitioned by the given partitioning expressions into
   * `numPartitions`. The resulting DataFrame is hash partitioned.
   *
   * This is the same operation as "DISTRIBUTE BY" in SQL (Hive QL).
   *
   * @group dfops
   * @since 1.6.0
   */
  @scala.annotation.varargs
  def repartition(numPartitions: Int, partitionExprs: Column*): DataFrame = withPlan {
    RepartitionByExpression(partitionExprs.map(_.expr), logicalPlan, Some(numPartitions))
  }

 此方法返回一个新的[[DataFrame]]，由给定的分区表达式划分为 'numpartition' 。得到的DataFrame是哈希分区的。

这与SQL (Hive QL)中的“distribution BY”操作相同。

coalesce

• coalesce(numPartitions: Int): DataFrame

  /**
   * Returns a new [[DataFrame]] that has exactly `numPartitions` partitions.
   * Similar to coalesce defined on an [[RDD]], this operation results in a narrow dependency, e.g.
   * if you go from 1000 partitions to 100 partitions, there will not be a shuffle, instead each of
   * the 100 new partitions will claim 10 of the current partitions.
   * @group rdd
   * @since 1.4.0
   */
  def coalesce(numPartitions: Int): DataFrame = withPlan {
    Repartition(numPartitions, shuffle = false, logicalPlan)
  }

 返回一个新的[[DataFrame]]，该[[DataFrame]]具有确切的 'numpartition' 分区。类似于在[[RDD]]上定义的coalesce，这种操作会导致一个狭窄的依赖关系，例如：

如果从1000个分区到100个分区，就不会出现shuffle，而是100个新分区中的每一个都会声明10个当前分区。

反过来从100个分区到1000个分区，将会出现shuffle。

 注：coalesce(numPartitions: Int): DataFrame    和 repartition(numPartitions: Int): DataFrame 底层调用的都是 class Repartition(numPartitions: Int, shuffle: Boolean, child: LogicalPlan)

/**
 * Returns a new RDD that has exactly `numPartitions` partitions. Differs from
 * [[RepartitionByExpression]] as this method is called directly by DataFrame's, because the user
 * asked for `coalesce` or `repartition`. [[RepartitionByExpression]] is used when the consumer
 * of the output requires some specific ordering or distribution of the data.
 */
case class Repartition(numPartitions: Int, shuffle: Boolean, child: LogicalPlan)
  extends UnaryNode {
  override def output: Seq[Attribute] = child.output
}

返回一个新的RDD，该RDD恰好具有“numpartition”分区。与[[RepartitionByExpression]]不同的是，这个方法直接由DataFrame调用，因为用户需要' coalesce '或' repartition '。

当输出的使用者需要特定的数据排序或分布时使用[[RepartitionByExpression]]。（源码里面说的是RDD，但是返回类型写的是DataFrame，感觉没差）。

而repartition(partitionExprs: Column*): DataFrame 和repartition(numPartitions: Int, partitionExprs: Column*): DataFrame 底层调用是 

class RepartitionByExpression(partitionExpressions:Seq[Expression],child:LogicalPlan,numPartitions:Option[Int]=None) extends RedistributeData 

/**
 * This method repartitions data using [[Expression]]s into `numPartitions`, and receives
 * information about the number of partitions during execution. Used when a specific ordering or
 * distribution is expected by the consumer of the query result. Use [[Repartition]] for RDD-like
 * `coalesce` and `repartition`.
 * If `numPartitions` is not specified, the number of partitions will be the number set by
 * `spark.sql.shuffle.partitions`.
 */
case class RepartitionByExpression(
    partitionExpressions: Seq[Expression],
    child: LogicalPlan,
    numPartitions: Option[Int] = None) extends RedistributeData {
  numPartitions match {
    case Some(n) => require(n > 0, "numPartitions must be greater than 0.")
    case None => // Ok
  }
} 

该方法使用[[Expression]]将数据重新划分为 'numpartition'，并在执行期间接收关于分区数量的信息。当用户期望某个特定的排序或分布时使用。使用[[Repartition]]用于类rdd的 'coalesce' 和 'Repartition'。

如果没有指定 'numpartition'，那么分区的数量将由 "spark.sql.shuffle.partition" 设置。

使用示例

• def repartition(numPartitions: Int): DataFrame  

//    获取一个测试的DataFrame 里面包含一个user字段
    val testDataFrame: DataFrame = readMysqlTable(sqlContext, "MYSQLTABLE", proPath)
//    获得10个分区的DataFrame
    testDataFrame.repartition(10) 

•  def repartition(partitionExprs: Column*): DataFrame  

//    获取一个测试的DataFrame 里面包含一个user字段
    val testDataFrame: DataFrame = readMysqlTable(sqlContext, "MYSQLTABLE", proPath)
//    根据 user 字段进行分区，分区数量由 spark.sql.shuffle.partition 决定
    testDataFrame.repartition($"user")

• def repartition(numPartitions: Int, partitionExprs: Column*): DataFrame 

//    获取一个测试的DataFrame 里面包含一个user字段
    val testDataFrame: DataFrame = readMysqlTable(sqlContext, "MYSQLTABLE", proPath)
//    根据 user 字段进行分区，将获得10个分区的DataFrame，此方法有时候在join的时候可以极大的提高效率，但是得注意出现数据倾斜的问题
    testDataFrame.repartition(10,$"user") 

• coalesce(numPartitions: Int): DataFrame 

val testDataFrame1: DataFrame = readMysqlTable(sqlContext, "MYSQLTABLE", proPath)
    val testDataFrame2=testDataFrame1.repartition(10)
//    不会触发shuffle
    testDataFrame2.coalesce(5)
//    触发shuffle 返回一个100分区的DataFrame
    testDataFrame2.coalesce(100)  

至于分区的数据设定，得根据自己的实际情况来，多了浪费少了负优化。

现在的只是初步探讨，具体的底层代码实现，后续去研究一下。

此文为本人工作学习整理笔记，转载请注明出处！！！！！！