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。
答案 0 :(得分:6)
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。