Spark RDD 默认分区数量 - repartitions和coalesce异同
Posted 苏轶然
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Spark RDD 默认分区数量 - repartitions和coalesce异同相关的知识,希望对你有一定的参考价值。
RDD.getNumPartitions()方法可以获得一个RDD分区数量,
1、默认由文件读取的话,本地文件会进行shuffle,hdfs文件默认会按照dfs分片来设定。
2、计算生成后,默认会按照executor-number*executor-cores来分片,也就是spark默认按照总工作核数来对数据分片,而不是工作实例数。
RDD.repartitions(n:Int)和RDD.coalesce(n:Int,shuffle : Boolean)
都是对RDD进行重新分区。
源码实现上:def repartitions(n:Int) = coalesce(n,true)
coalesce在shuffle参数为true是,必要情况下会进行shuffle操作。但若为False,则在不shuffle的情况下尽量满足重分区操作。
repartition则是在shuffle配置为true下的coalesce。
故而,对性能要求较高情况下或对重分区结果要求不苛刻的情况下,使用coalesce进行重分区,shuffle配置默认为false。
对重分区结果要求比较精准的情况下,使用repartition或者shuffle置true的coalesce。
小结:RDD分区数按照核数来分而不是实例数。
以上是关于Spark RDD 默认分区数量 - repartitions和coalesce异同的主要内容,如果未能解决你的问题,请参考以下文章