spark 何时以及如何在 executor 上分配分区

Question

spark 如何将分区分配给执行程序。

当我在带有 1 个驱动程序和 5 个执行程序的 spark shell 中运行以下行时：

> var data = sc.textFile("file") // auto generates 2 partitions
> data.count()                   // materialize partitions on two nodes
> data = data.repartition(10)    // repartition data.count()            
> data.count()                   // 10 partitions still on original 2 nodes

重新分区后，10 个分区仍然位于原来的两个节点上（共 5 个）。这似乎非常低效，因为 5 个任务在包含分区的每个节点上重复运行，而不是在节点之间均匀分布。对于在同一个 rdd 上重复多次的迭代任务，效率低下最为明显。

所以我的问题是，spark 如何决定哪个节点有哪个分区，有没有办法强制将数据移动到其他节点？

Answer 1

我只是在这里提供一个猜测来展示逻辑（不一定是真正发生的事情）。

假设您的文件并不是很大，即它适合 HDFS 的 1 个块。并假设该块被复制到 2 个节点。如果您想在第三个节点上进行处理，那么这意味着您需要复制它。由于 count 是一个相对较快的计算，因此处理任务所需的时间可能相对较短。Spark 可能认为最好在本地等待并进行处理，而不是将数据洗牌到其他节点（您可以配置此参数）。