Spark 按 Key 分组并对数据进行分区

Posted 2023-03-23

【中文标题】Spark 按 Key 分组并对数据进行分区

【英文标题】：Spark group by Key and partitioning the data

【发布时间】：2021-02-05 21:03:27

【问题描述】：

我有一个包含以下格式数据的大型 csv 文件。

cityId1,name,address,.......,zip

cityId2,name,address,.......,zip

cityId1,name,address,.......,zip

........

cityIdN,name,address,.......,zip

我正在对上述 csv 文件执行以下操作：

按cityId作为key，资源列表作为value分组

df1.groupBy($"cityId").agg(collect_list(struct(cols.head, cols.tail: _*)) as "resources")

改成jsonRDD

val jsonDataRdd2 = df2.toJSON.rdd

遍历每个分区并按密钥上传到 s3

由于业务逻辑限制（其他服务如何从 S3 读取），我无法使用 dataframe partitionby write

我的问题：

spark 分区的默认大小是多少？ 假设默认分区大小为 X MB，并且 dataFrame 中存在一条大记录，其键具有 Y MB 数据 (Y > X)，在这种情况下会发生什么情况？ 在这种情况下，我是否需要担心在不同分区中拥有相同的密钥？

【问题讨论】：

很难跟上。你能显示代码吗？

这能回答你的问题吗？ How does spark.csv determine the number of partitions on read?

你能接受答案吗？

【参考方案1】：

回答您的问题：

从二级存储（S3、HDFS）读取时，分区等于文件系统的块大小，128MB 或 256MB；但您可以立即重新分区 RDD，而不是数据帧。 （对于 JDBC 和 Spark Structured Streaming，分区的大小是动态的。）

当应用“宽转换”并重新分区时，分区的数量和大小最有可能发生变化。给定分区的大小具有最大值。在 Spark 2.4.x 中，分区大小增加到 8GB。因此，如果任何转换（例如 collect_list 与 groupBy 的组合）生成超过此最大大小，您将收到错误并且程序中止。因此，您需要明智地进行分区，或者在您的情况下有足够数量的分区进行聚合 - 请参阅 spark.sql.shuffle.partitions 参数。

Spark 处理的并行模型依赖于通过散列、范围分区等分配的“键”分配到一个且只有一个分区 - 洗牌。所以，遍历一个分区foreachPartition，mapPartitions没有问题。