我很难在Spark文档中找到导致shuffle的操作,而没有的操作。在这个列表中,哪些会导致洗牌,哪些不会?
映射和筛选器没有。然而,我对其他人不太确定。
map(func)
filter(func)
flatMap(func)
mapPartitions(func)
mapPartitionsWithIndex(func)
sample(withReplacement, fraction, seed)
union(otherDataset)
intersection(otherDataset)
distinct([numTasks]))
groupByKey([numTasks])
reduceByKey(func, [numTasks])
aggregateByKey(zeroValue)(seqOp, combOp, [numTasks])
sortByKey([ascending], [numTasks])
join(otherDataset, [numTasks])
cogroup(otherDataset, [numTasks])
cartesian(otherDataset)
pipe(command, [envVars])
coalesce(numPartitions)
在没有文档的情况下,找到这一点实际上非常容易。对于这些函数中的任何一个,只需创建一个RDD并调用调试字符串,下面是一个可以自己完成其余操作的示例。
scala> val a = sc.parallelize(Array(1,2,3)).distinct
scala> a.toDebugString
MappedRDD[5] at distinct at <console>:12 (1 partitions)
MapPartitionsRDD[4] at distinct at <console>:12 (1 partitions)
**ShuffledRDD[3] at distinct at <console>:12 (1 partitions)**
MapPartitionsRDD[2] at distinct at <console>:12 (1 partitions)
MappedRDD[1] at distinct at <console>:12 (1 partitions)
ParallelCollectionRDD[0] at parallelize at <console>:12 (1 partitions)
正如您所看到的,distinct
创建了一个shuffle。找到这种方法而不是文档也特别重要,因为在某些情况下,某个函数需要或不需要洗牌。例如,联接通常需要一个shuffle,但如果您联接两个RDD,则来自同一RDD火花的分支有时可以消除shuffle。
以下是可能导致混洗的操作列表:
cogroup
groupWith
join
:散列分区
leftOuterJoin
:散列分区
rightOuterJoin
:散列分区
groupByKey
:散列分区
reduceByKey
:散列分区
combineByKey
:散列分区
sortByKey
:距离分区
distinct
intersection
:散列分区
repartition
coalesce
来源:Spark和Scala的大数据分析,分区优化,Coursera
这可能会有所帮助:https://spark.apache.org/docs/latest/programming-guide.html#shuffle-操作
或者这样:http://www.slideshare.net/SparkSummit/dev-ops-training,从幻灯片208 开始
来自幻灯片209:"像distinct一样使用'numPartitions'的转换可能会打乱"
以下是关于混洗转换的一般语句。
可能导致混洗的转换包括重新分区操作与
repartition
和coalesce
一样,'ByKey操作(计数除外)如groupByKey
和reduceByKey
,以及加入操作,如cogroup
和CCD_ 20。
源