我正在使用spark-sql 2.3.1,我已设置
spark.sql.shuffle.partitions=40
在我的代码中>
val partitioned_df = vals_df.repartition(col("model_id"),col("fiscal_year"),col("fiscal_quarter"))
当我说
println(" Number of partitions : " + partitioned_df.rdd.getNumPartitions)
它给出40作为输出,实际上分区后理想情况下计数应该在400左右,为什么分区在这里不起作用?我在这弄错了什么?如何解决?
答案 0 :(得分:2)
这是意料之中的,the scaladoc for repartition
指出:
返回由给定分区分区的新数据集 表达式,使用spark.sql.shuffle.partitions作为数量 分区。结果数据集经过哈希分区。
也许您对重新分区的理解是错误的。当按列c
重新分区时,c
的所有具有相同值的行都在同一分区中,但是1个分区可以容纳c
的多个值
答案 1 :(得分:1)
set spark.sql.shuffle.partitions=40
这仅适用于JOIN和AGGregations。
尝试这样的事情-我自己的示例:
val df2 = df.repartition(40, $"c1", $"c2")
这是
的输出val df2 = df.repartition(40, $"c1", $"c2").explain
== Physical Plan ==
Exchange hashpartitioning(c1#114, c2#115, 40)
...
可以动态设置num分区:
n = some calculation
val df2 = df.repartition(n, $"c1", $"c2").explain