Spark中的最佳重新分区方式

Question

我有 500 MB 的 csv 文件，我正在将其作为数据框读取 我正在寻找这个数据帧的分区的最佳值 我需要做一些广泛的转换并将这个数据框与另一个 csv 连接起来，所以我现在有以下 3 种方法来重新分区这个数据框

1. df.repartition(核心数)
2. 按照计算500MB/128MB~4个分区对dataframe重新分区，每个分区至少有128MB数据
3. 使用 csv 的特定列对数据帧进行重新分区，以便将数据放在相同的分区中

我想知道这些选项中的哪一个最适合在 Spark 2.4 中进行并行计算和处理

Answer 1

如果您非常了解数据，那么使用列对数据进行分区效果最好。但是，每当集群配置发生变化时，基于块大小和核心数量的重新分区都会发生变化，并且如果您的集群配置在更高的环境中不同，您需要对每个环境进行这些更改。因此，总而言之，数据驱动的重新分区是更好的方法。