联合分区RDD的连接是否会导致Apache Spark的混乱？

Question

如果rdd1.join(rdd2)和rdd1具有相同的分区符，rdd2是否会导致混乱？

Answer 1

没有。如果两个RDD具有相同的分区，则join不会导致混乱。您可以在CoGroupedRDD.scala中看到这一点：

override def getDependencies: Seq[Dependency[_]] = {
  rdds.map { rdd: RDD[_ <: Product2[K, _]] =>
    if (rdd.partitioner == Some(part)) {
      logDebug("Adding one-to-one dependency with " + rdd)
      new OneToOneDependency(rdd)
    } else {
      logDebug("Adding shuffle dependency with " + rdd)
      new ShuffleDependency[K, Any, CoGroupCombiner](rdd, part, serializer)
    }
  }
}

但请注意，缺少shuffle并不意味着不必在节点之间移动数据。两个RDD可能具有相同的分区（共同分区），但相应的分区位于不同的节点上（不在同一位置）。

这种情况仍然比洗牌更好，但要记住这一点。共址可以提高性能，但很难保证。