火花重新分配不均匀，仍然偏斜

Posted 2023-04-17

【中文标题】火花重新分配不均匀，仍然偏斜

【英文标题】：spark repartition is not uniform, still skewed

【发布时间】：2018-09-16 11:30:20

【问题描述】：

如何强制（大部分）均匀分布？

我想执行以下操作：

df.repartition(5000) // scatter
.transform(some_complex_function)
.repartition(200) // gather
.write.parquet("myresult")

确实，在重新分区步骤之后执行了 5000 个任务。但是，每个任务的输入文件大小在小于 1MB 到 16MB 之间变化。

数据仍然存在偏差。如何确保它不再倾斜并有效地使用集群资源。

编辑

我了解到，这是由于使用了复杂类型的列，即数组。另请注意，some_complex_function 在此列上运行，即其复杂性随着数组中元素的数量而增加。

对于这种情况，有没有更好的分区方法？

【参考方案1】：

repartition 应该均匀分布记录的数量，您可以使用此处列出的技术来验证：Apache Spark: Get number of records per partition

如果您的记录包含一些复杂的数据结构，或各种长度的字符串，那么每个分区的字节数将不相等。我在这里要求解决这个问题：How to (equally) partition array-data in spark dataframe

【讨论】：

我几乎可以肯定我遇到了同样的问题。但是，在我的情况下，输入数据相当小（假设为 10G）并且转换相当昂贵。与您自己的情况一样，它与 DF 的记录不成比例，而是与数组内的观察成比例。 IE。在我的情况下，重新分区被认为是相当便宜的（这就是我已经从默认的 200 到 5000 的原因）。尽管如此，非均匀的负载分区使这项工作需要很长时间。

数组数据结构的size多列一列，然后根据大小重新分区，你怎么看？

但是，这会将所有大小相同的数组放到同一个分区中，这不是我想要的。特别是对于大型数组。