Spark groupBy vs repartition plus mapPartitions

Question

我的数据集大约有 2000 万行，需要大约 8 GB 的 RAM。我正在使用 2 个执行器运行我的工作，每个执行器 10 GB RAM，每个执行器 2 个内核。由于进一步的转换，数据应该一次被缓存。

我需要根据 4 个字段减少重复项（选择任何重复项）。两个选项：使用groupBy 和使用repartition 和mapPartitions。第二种方法允许您指定分区数，因此在某些情况下可以更快地执行，对吧？

你能解释一下哪个选项的性能更好吗？两个选项的 RAM 消耗是否相同？

使用groupBy

dataSet
    .groupBy(col1, col2, col3, col4)
    .agg(
        last(col5),
        ...
        last(col17)
    );

使用repartition 和mapPartitions

dataSet.sqlContext().createDataFrame(
    dataSet
        .repartition(parallelism, seq(asList(col1, col2, col3, col4)))
        .toJavaRDD()
        .mapPartitions(DatasetOps::reduce),
    SCHEMA
);

private static Iterator<Row> reduce(Iterator<Row> itr) {
    Comparator<Row> comparator = (row1, row2) -> Comparator
        .comparing((Row r) -> r.getAs(name(col1)))
        .thenComparing((Row r) -> r.getAs(name(col2)))
        .thenComparingInt((Row r) -> r.getAs(name(col3)))
        .thenComparingInt((Row r) -> r.getAs(name(col4)))
        .compare(row1, row2);

    List<Row> list = StreamSupport
        .stream(Spliterators.spliteratorUnknownSize(itr, Spliterator.ORDERED), false)
        .collect(collectingAndThen(toCollection(() -> new TreeSet<>(comparator)), ArrayList::new));

    return list.iterator();
}

Answer 1

第二种方法允许您指定分区数，因此在某些情况下可以更快地执行，对吧？

不是真的。这两种方法都允许您指定分区数 - 在第一种情况下通过 spark.sql.shuffle.partitions

spark.conf.set("spark.sql.shuffle.partitions", parallelism)

但是，如果重复很常见，则第二种方法本质上效率较低，因为它首先洗牌，然后减少，跳过映射端减少（换句话说，它是另一种按键分组）。如果重复很少见，但这不会有太大区别。

附带说明Dataset 已经提供了dropDuplicates variants，它采用一组列，而first / last 在这里没有特别的意义（参见How to select the first row of each group? 中的讨论）。