我正在尝试了解 Spark 如何对数据进行分区。假设我有一个像图片中那样的执行 DAG（橙色框是阶段）。如果没有对 RDD 进行分区，这两个 groupBy 和 join 操作应该会非常繁重。
那么使用.partitonBy(new HashPartitioner(properValue)) 到 P1、P2、P3 和 P4 以避免洗牌是否明智？对现有 RDD 进行分区的成本是多少？什么时候不适合对现有 RDD 进行分区？如果我不指定分区程序，Spark 不会自动对我的数据进行分区吗？
谢谢
【问题讨论】：
标签： scala apache-spark rdd distributed-computing
tl;dr 您的问题的答案分别是：如果可以，最好在一开始就进行分区；可能少于不分区；无论如何，您的RDD 以一种或另一种方式分区；是的。
这是一个相当广泛的问题。它占据了我们课程的很大一部分！但是，让我们尝试在不写小说的情况下尽可能多地解决分区问题。
如您所知，使用 Spark 这样的工具的主要原因是您有太多数据需要在一台机器上进行分析，而风扇的声音又不像喷气发动机。数据分布在集群中所有机器上的所有核心中，所以是的，有一个默认分区——根据数据。请记住，数据已经静态分布（在 HDFS、HBase 等中），因此 Spark 默认情况下只是根据相同的策略进行分区，以将数据保留在它们已经存在的机器上——默认分区数相等到集群上的核心数。您可以通过配置 spark.default.parallelism 来覆盖此默认数字，并且您希望此数字为每台机器每个内核 2-3 个。
但是，为了您的分析，通常您希望属于一起的数据（例如，具有相同键的数据，HashPartitioner 将适用）位于同一分区中，无论它们从哪里开始并在以后尽量减少洗牌。 Spark 还提供了RangePartitioner，或者您也可以根据自己的需要轻松滚动。但是你是对的，从默认分区到自定义分区有一个前期的洗牌成本；这几乎总是值得的。
通常一开始就分区是明智的（而不是用partitionBy 延迟不可避免的事情），然后如果以后需要repartition。稍后您甚至可以选择coalesce，这会导致中间洗牌，以减少分区数量并可能使一些机器和内核空闲，因为网络 IO 的收益（在前期成本之后）大于 CPU 的损失电源。
（我能想到的唯一一开始不分区的情况——因为你不能——是当你的数据源是压缩文件时。）
另请注意，您可以在映射转换期间使用 mapPartitions 和 mapPartitionsWithIndex 保留分区。
最后，请记住，当您尝试分析并逐步扩大规模时，您可以使用一些诊断功能：
toDebugString查看RDDs的血统getNumPartitions 获取分区数，令人震惊glom 看清楚你的数据是如何分区的如果你原谅这个无耻的插件，这些就是我们在Analytics with Apache Spark 中讨论的事情。我们希望尽快有一个在线版本。
【讨论】：
通过抢先应用partitionBy，您不会避免洗牌。你只是把它推到另一个地方。如果分区的 RDD 被多次重用，这可能是个好主意，但一次性连接没有任何好处。
如果我不指定分区器，Spark 不会自动对我的数据进行分区吗？
它会将您的数据分区（也称为 shuffle）作为连接的一部分）和后续的groupBy（除非您保留相同的密钥并使用保留分区的转换）。
【讨论】：