У меня есть набор данных, который я хочу записать, отсортированный в файлы паркета, чтобы впоследствии получить выгоду от запроса этих файлов через Spark, включая Predicate Pushdown.
В настоящее время я использовал перераспределение по столбцам и количество разделов для перемещения данных в конкретный раздел. Столбец идентифицирует соответствующий раздел (от 0 до (фиксированный) n). В результате scala / spark генерирует неожиданный результат и создает меньше разделов (некоторые из них пусты). Может быть, хэш-коллизия?
Для решения проблемы я попытался выяснить причину и попытался найти обходные пути. Я нашел один обходной путь, преобразовав фрейм данных в rdd и используя partitionBy с HashPartitioner. Удивительно для меня: я получил ожидаемые результаты. Но преобразование кадра данных в RDD не является для меня решением, поскольку требует слишком много ресурсов.
Я протестировал эту среду на
Вот мои тесты с выводами. Пожалуйста, используйте Spark-shell, чтобы запустить их
scala> import org.apache.spark.HashPartitioner
import org.apache.spark.HashPartitioner
scala> val mydataindex = Array(0,1, 2, 3,4)
mydataindex: Array[Int] = Array(0, 1, 2, 3, 4)
scala> val mydata = sc.parallelize(for {
| x <- mydataindex
| y <- Array(123,456,789)
| } yield (x, y), 100)
mydata: org.apache.spark.rdd.RDD[(Int, Int)] = ParallelCollectionRDD[0] at parallelize at <console>:27
scala> val rddMyData = mydata.partitionBy(new HashPartitioner(5))
rddMyData: org.apache.spark.rdd.RDD[(Int, Int)] = ShuffledRDD[1] at partitionBy at <console>:26
scala> val rddMyDataPartitions = rddMyData.mapPartitionsWithIndex{
| (index, iterator) => {
| val myList = iterator.toList
| myList.map(x => x + " -> " + index).iterator
| }
| }
rddMyDataPartitions: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[2] at mapPartitionsWithIndex at <console>:26
scala>
| // this is expected:
scala> rddMyDataPartitions.take(100)
res1: Array[String] = Array((0,123) -> 0, (0,456) -> 0, (0,789) -> 0, (1,123) -> 1, (1,456) -> 1, (1,789) -> 1, (2,123) -> 2, (2,456) -> 2, (2,789) -> 2, (3,456) -> 3, (3,789) -> 3, (3,123) -> 3, (4,789) -> 4, (4,123) -> 4, (4,456) -> 4)
scala> val dfMyData = mydata.toDF()
dfMyData: org.apache.spark.sql.DataFrame = [_1: int, _2: int]
scala> val dfMyDataRepartitioned = dfMyData.repartition(5,col("_1"))
dfMyDataRepartitioned: org.apache.spark.sql.Dataset[org.apache.spark.sql.Row] = [_1: int, _2: int]
scala> dfMyDataRepartitioned.explain(false)
== Physical Plan ==
Exchange hashpartitioning(_1#3, 5)
+- *(1) SerializeFromObject [assertnotnull(input[0, scala.Tuple2, true])._1 AS _1#3, assertnotnull(input[0, scala.Tuple2, true])._2 AS _2#4]
+- Scan ExternalRDDScan[obj#2]
scala> val dfMyDataRepartitionedPartition = dfMyDataRepartitioned.withColumn("partition_id", spark_partition_id()).groupBy("partition_id").count()
dfMyDataRepartitionedPartition: org.apache.spark.sql.DataFrame = [partition_id: int, count: bigint]
scala> // this is unexpected, because 1 partition has more indexes
scala> dfMyDataRepartitionedPartition.show()
+------------+-----+
|partition_id|count|
+------------+-----+
| 1| 6|
| 3| 3|
| 4| 3|
| 2| 3|
+------------+-----+
Сначала я подумал, что HashPartitioner используется в методе перераспределения фрейма данных, но, похоже, это не так, потому что он работает с RDD.
Может кто-нибудь подсказать мне, как работает этот "хэш-разделение Exchange" (см. Вывод объяснения выше)?
2019-01-16 12:20: Это не дубликат Как работает HashPartitioner? , потому что меня интересует алгоритм хеширования перераспределения по столбцам (+ число разделов) в столбце целых чисел , Обычный HashPartitioner работает как положено, как вы можете видеть в исходном коде.