Question

这个问题解释了Spark的随机拆分是如何工作的，How does Sparks RDD.randomSplit actually split the RDD，但我不明白火花是如何跟踪一个拆分中的值是什么，以便那些相同的值不会消失。进入第二次分裂。

如果我们看一下randomSplit的实现：

def randomSplit(weights: Array[Double], seed: Long): Array[DataFrame] = {
 // It is possible that the underlying dataframe doesn't guarantee the ordering of rows in its
 // constituent partitions each time a split is materialized which could result in
 // overlapping splits. To prevent this, we explicitly sort each input partition to make the
 // ordering deterministic.

 val sorted = Sort(logicalPlan.output.map(SortOrder(_, Ascending)), global = false, logicalPlan)
 val sum = weights.sum
 val normalizedCumWeights = weights.map(_ / sum).scanLeft(0.0d)(_ + _)
 normalizedCumWeights.sliding(2).map { x =>
  new DataFrame(sqlContext, Sample(x(0), x(1), withReplacement = false, seed, sorted))
}.toArray
}

我们可以看到它创建了两个共享相同sqlContext和两个不同Sample（rs）的DataFrame。

这两个DataFrame如何相互通信，以便第一个中的值不包含在第二个中？

数据是否被提取两次？（假设sqlContext是从DB中选择的，是执行两次的选择吗？）。

Answer 1

与采样RDD完全一样。

假设您拥有权重数组(0.6, 0.2, 0.2)，Spark将为每个范围(0.0, 0.6), (0.6, 0.8), (0.8, 1.0)生成一个DataFrame。

当需要读取结果DataFrame时，Spark将会遍历父DataFrame。对于每个项目，生成一个随机数，如果该数字落在指定范围内，则发出该项目。所有子DataFrame共享相同的随机数生成器（技术上，具有相同种子的不同生成器），因此随机数序列是确定性的。

对于您的上一个问题，如果您没有缓存父DataFrame，那么每次计算输出DataFrame时都会重新获取输入DataFrame的数据。

Spark如何跟踪randomSplit中的拆分？

1 个答案: