Question

问题：我正在尝试重新分区数据集，以便在指定的整数列中具有相同编号的所有行都位于同一分区中。

工作正常：当我使用带有RDD的1.6 API（使用Java）时，我使用了一个散列分区程序，这可以按预期工作。例如，如果我为每一行打印此列的每个值的模数，我在给定分区中获得相同的模数（我通过手动读取saveAsHadoopFile保存的内容来读取分区）。

使用最新的API

无法正常工作

但是现在我正在尝试使用2.0.1 API（在Scala中）和具有重新分区方法的数据集，该方法采用多个分区和列并将此DataSet保存为镶木地板文件。如果我在分区中查看给定此列的行没有分区，结果就不一样了。

Answer 1

要保存分区Dataset，您可以使用以下任一项：

DataFrameWriter.partitionBy - 自Spark 1.6起可用

df.write.partitionBy("someColumn").format(...).save()

DataFrameWriter.bucketBy - 自Spark 2.0起可用

df.write.bucketBy("someColumn").format(...).save()

使用df.partitionBy("someColumn").write.format(...).save也应该有效，但Dataset API不使用哈希码。它使用MurmurHash，因此结果将与RDD API中HashParitioner的结果不同，并且琐碎的检查（如您所描述的那样）将无法正常工作。

val oldHashCode = udf((x: Long) => x.hashCode)

// https://github.com/apache/spark/blob/v2.0.1/core/src/main/scala/org/apache/spark/util/Utils.scala#L1596-L1599
val nonNegativeMode = udf((x: Int, mod: Int) => {
  val rawMod = x % mod
  rawMod + (if (rawMod < 0) mod else 0)
})

val df = spark.range(0, 10)

val oldPart = nonNegativeMode(oldHashCode($"id"), lit(3))
val newPart = nonNegativeMode(hash($"id"), lit(3))

df.select($"*", oldPart, newPart).show

+---+---------------+--------------------+
| id|UDF(UDF(id), 3)|UDF(hash(id, 42), 3)|
+---+---------------+--------------------+
|  0|              0|                   1|
|  1|              1|                   2|
|  2|              2|                   2|
|  3|              0|                   0|
|  4|              1|                   2|
|  5|              2|                   2|
|  6|              0|                   0|
|  7|              1|                   0|
|  8|              2|                   2|
|  9|              0|                   2|
+---+---------------+--------------------+

一个可能的问题是DataFrame编写者可以合并多个小文件以降低成本，因此可以将来自不同分区的数据放在一个文件中。

使用Apache Spark重新分区

1 个答案: