我有一个数据集，我想把它写进镶木地板文件中，以便在之后通过Spark(包括Predicate Pushdown)请求这些文件。
目前，我使用按列和分区数重新分区来将数据移动到特定分区。该列标识相应的分区(从0开始到(固定)n)。结果是scala/spark生成了一个意外的结果，并创建了更少的分区(其中一些分区是空的)。也许是哈希冲突？
为了解决这个问题，我试图找出原因并找到解决办法。我找到了一个解决方法，将数据帧转换为rdd，并将partitionBy与HashPartitioner一起使用。令我惊讶的是：我得到了预期的结果。但是，将数据帧转换为RDD对我来说不是一个解决方案，因为它占用了太多资源。
我已经在上测试了这个环境
-
cloudera CDH 5.9.3 上的SPARK 2.0
-
emr-5.17.0 上的SPARK 2.3.1
这是我的输出测试。请使用Spark shell运行它们
scala> import org.apache.spark.HashPartitioner
import org.apache.spark.HashPartitioner
scala> val mydataindex = Array(0,1, 2, 3,4)
mydataindex: Array[Int] = Array(0, 1, 2, 3, 4)
scala> val mydata = sc.parallelize(for {
| x <- mydataindex
| y <- Array(123,456,789)
| } yield (x, y), 100)
mydata: org.apache.spark.rdd.RDD[(Int, Int)] = ParallelCollectionRDD[0] at parallelize at <console>:27
scala> val rddMyData = mydata.partitionBy(new HashPartitioner(5))
rddMyData: org.apache.spark.rdd.RDD[(Int, Int)] = ShuffledRDD[1] at partitionBy at <console>:26
scala> val rddMyDataPartitions = rddMyData.mapPartitionsWithIndex{
| (index, iterator) => {
| val myList = iterator.toList
| myList.map(x => x + " -> " + index).iterator
| }
| }
rddMyDataPartitions: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[2] at mapPartitionsWithIndex at <console>:26
scala>
| // this is expected:
scala> rddMyDataPartitions.take(100)
res1: Array[String] = Array((0,123) -> 0, (0,456) -> 0, (0,789) -> 0, (1,123) -> 1, (1,456) -> 1, (1,789) -> 1, (2,123) -> 2, (2,456) -> 2, (2,789) -> 2, (3,456) -> 3, (3,789) -> 3, (3,123) -> 3, (4,789) -> 4, (4,123) -> 4, (4,456) -> 4)
scala> val dfMyData = mydata.toDF()
dfMyData: org.apache.spark.sql.DataFrame = [_1: int, _2: int]
scala> val dfMyDataRepartitioned = dfMyData.repartition(5,col("_1"))
dfMyDataRepartitioned: org.apache.spark.sql.Dataset[org.apache.spark.sql.Row] = [_1: int, _2: int]
scala> dfMyDataRepartitioned.explain(false)
== Physical Plan ==
Exchange hashpartitioning(_1#3, 5)
+- *(1) SerializeFromObject [assertnotnull(input[0, scala.Tuple2, true])._1 AS _1#3, assertnotnull(input[0, scala.Tuple2, true])._2 AS _2#4]
+- Scan ExternalRDDScan[obj#2]
scala> val dfMyDataRepartitionedPartition = dfMyDataRepartitioned.withColumn("partition_id", spark_partition_id()).groupBy("partition_id").count()
dfMyDataRepartitionedPartition: org.apache.spark.sql.DataFrame = [partition_id: int, count: bigint]
scala> // this is unexpected, because 1 partition has more indexes
scala> dfMyDataRepartitionedPartition.show()
+------------+-----+
|partition_id|count|
+------------+-----+
| 1| 6|
| 3| 3|
| 4| 3|
| 2| 3|
+------------+-----+
我首先了解了HashPartitioner被用于重新划分数据帧的方法，但事实并非如此，因为它正在RDD上工作。
有人能告诉我这个"Exchange哈希分区"(请参阅上面的解释输出)是如何工作的吗？
2019-01-16 12:20:这不是HashPartitioner如何工作的副本？因为我对Integer列上按列(+数字分区)重新分区的哈希算法感兴趣。正如您在源代码中看到的那样，通用HashPartitioner正在按预期工作。
这里没有什么意外。如HashPartitioner如何工作？Spark使用hash(key)模数分区和非均匀分布，尤其是在小数据集上。
Dataset和RDD之间的差异也是意料之中的，因为两者使用不同的哈希函数(同上)。
最后
结果是scala/spark生成了一个意外的结果，并创建了更少的分区
不是一个正确的观察结果。创建的分区数正是请求的
scala> dfMyDataRepartitioned.rdd.getNumPartitions
res8: Int = 5
但是空的在聚合中不可见，因为没有相应的值。