Spark如何决定如何划分RDD?

时间:2016-03-04 13:50:15

标签: apache-spark pyspark rdd

假设我创建了这样一个RDD(我正在使用 Pyspark ):

list_rdd = sc.parallelize(xrange(0, 20, 2), 6)

然后用glom()方法打印分区元素并获取

[[0], [2, 4], [6, 8], [10], [12, 14], [16, 18]]

Spark如何决定如何对我的列表进行分区?这些元素的具体选择来自哪里?它可以以不同的方式耦合它们,留下除0和10之外的其他元素,以创建6个请求的分区。在第二次运行时,分区是相同的。

使用更大的范围,包含29个元素,我得到2个元素的模式中的分区,后跟三个元素:

list_rdd = sc.parallelize(xrange(0, 30, 2), 6)
[[0, 2], [4, 6, 8], [10, 12], [14, 16, 18], [20, 22], [24, 26, 28]]

我使用较小范围的9个元素

list_rdd = sc.parallelize(xrange(0, 10, 2), 6)
[[], [0], [2], [4], [6], [8]]

所以我推断Spark是通过将列表拆分为一个配置来生成分区,其中最小可能后跟更大的集合,并重复。

问题是这个选择背后是否有原因,这是非常优雅的,但它是否也提供了性能优势?

1 个答案:

答案 0 :(得分:3)

除非您指定特定的分区程序,否则这是"随机"因为它取决于该RDD的具体实现。在这种情况下,您可以前往ParallelCollectionsRDD进一步深入研究。

getPartitions定义为:

val slices = ParallelCollectionRDD.slice(data, numSlices).toArray
slices.indices.map(i => new ParallelCollectionPartition(id, i, slices(i))).toArray

其中slice被评论为(重新格式化以更好地适应):

/**
* Slice a collection into numSlices sub-collections. 
* One extra thing we do here is to treat Range collections specially, 
* encoding the slices as other Ranges to minimize memory cost. 
* This makes it efficient to run Spark over RDDs representing large sets of numbers. 
* And if the collection is an inclusive Range, 
* we use inclusive range for the last slice.
*/

请注意,在内存方面存在一些注意事项。所以,再一次,这将是具体的实施。