spark shuffle partitions 和 partition by tag 如何相互配合

Question

我正在从 HDFS 读取一组 10,000 个 10 TB 累积大小的 parquet 文件，并使用以下代码以分区方式将其写回 HDFS

spark.read.orc("HDFS_LOC").repartition(col("x")).write.partitionBy("x").orc("HDFS_LOC_1")

我正在使用

spark.sql.shuffle.partitions=8000

我看到 spark 已将 5000 个不同的 "x" 分区写入 HDFS(HDFS_LOC_1) 。在整个过程中如何使用“8000”的随机分区。我看到在“x”的所有分区中只有 15,000 个文件被写入。这是否意味着spark尝试在“X”的每个分区创建8000个文件，并且在写入期间发现没有足够的数据在每个分区写入8000个文件并最终写入更少的文件？你能帮我理解一下吗？

Answer 1

spark.sql.shuffle.partitions=8000 设置将设置 Spark 程序的默认 shuffle 分区号。如果您在设置此选项后尝试执行联接或聚合，您将看到此数字生效（您可以通过df.rdd.getNumPartitions() 确认）。更多信息请参考here。

但在您的情况下，您将此设置与 repartition(col("x") 和 partitionBy("x") 一起使用。因此，如果不首先使用连接或聚合转换，您的程序将不会受到此设置的影响。 repartition 和partitionBy 的区别在于，第一个会将内存中的数据进行分区，创建cardinality("x") 个分区，而第二个会将大致相同数量的分区写入HDFS。为什么大约？好吧，因为有更多因素决定了输出文件的确切数量。请查看以下资源以更好地了解此主题：

• Difference between df.repartition and DataFrameWriter partitionBy?
• pyspark: Efficiently have partitionBy write to same number of total partitions as original table

因此，当使用按列重新分区 repartition(*cols) 或 partitionBy(*cols) 时，首先要考虑的是列（或列组合）具有的唯一值（基数）的数量。

话虽如此，如果您想确保创建 8000 个分区（即输出文件），请使用 repartition(partitionsNum, col("x")) 其中 partitionsNum == 8000 在您的情况下，然后调用 write.orc("HDFS_LOC_1")。否则，如果您想保持分区数接近 x 的基数，只需调用 partitionBy("x") 到您的原始 df，然后调用 write.orc("HDFS_LOC_1") 将数据存储到 HDFS。这将使用您的分区数据创建cardinality(x) 文件夹。