为什么在重新分区 Spark 数据帧时会得到这么多空分区？

Question

我想在 3 列上对数据框“df1”进行分区。对于这 3 列，此数据框恰好有 990 个独特的组合：

In [17]: df1.createOrReplaceTempView("df1_view")

In [18]: spark.sql("select count(*) from (select distinct(col1,col2,col3) from df1_view) as t").show()
+--------+                                                                      
|count(1)|
+--------+
|     990|
+--------+

为了优化这个数据帧的处理，我想对 df1 进行分区以获得 990 个分区，每个关键可能性一个：

In [19]: df1.rdd.getNumPartitions()
Out[19]: 24

In [20]: df2 = df1.repartition(990, "col1", "col2", "col3")

In [21]: df2.rdd.getNumPartitions()
Out[21]: 990

我写了一个简单的方法来计算每个分区中的行数：

In [22]: def f(iterator):
    ...:     a = 0
    ...:     for partition in iterator:
    ...:         a = a + 1
    ...:     print(a)
    ...: 

In [23]: df2.foreachPartition(f)

我注意到实际上我得到的是 628 个带有一个或多个键值的分区，以及 362 个空分区。

我认为 spark 会以均匀的方式重新分区（1 个键值 = 1 个分区），但这似乎不是这样，我觉得这种重新分区会增加数据倾斜，即使它应该是相反的......

Spark 用于在列上对数据帧进行分区的算法是什么？有没有办法实现我认为可能的目标？

我在 Cloudera 上使用 Spark 2.2.0。

Answer 1

为了跨分区分发数据，spark 需要以某种方式将列的值转换为分区的索引。Spark 中有两个默认分区器 - HashPartitioner 和 RangePartitioner。Spark 中的不同转换可以应用不同的分区器 - 例如join将应用哈希分区器。

基本上，哈希分区器公式将值转换为分区索引将是value.hashCode() % numOfPartitions. 在您的情况下，多个值映射到相同的分区索引。

如果您想要更好的分发，您可以实现自己的分区器。关于它的更多信息在这里和这里和这里。