问题描述
在将 sortWithinPartitions 应用于 df 并将输出写入表后,我得到了一个我不知道如何解释的结果。
df
.select($"type",$"id",$"time")
.sortWithinPartitions($"type",$"time")
结果文件看起来有点像
1 a 5
2 b 1
1 a 6
2 b 2
1 a 7
2 b 3
1 a 8
2 b 4
它实际上不是随机的,但也不是像我期望的那样排序。即,首先按类型,然后是 id,然后是时间。 如果我在排序之前尝试使用重新分区,那么我会得到我想要的结果。但由于某种原因,文件的重量增加了 5 倍(100gb 对 20gb)。
我正在写入一个压缩设置为 snappy 的 hive orc 表。
有谁知道为什么它是这样排序的,为什么重新分区的顺序正确,但尺寸更大?
使用 spark 2.2。
解决方法
sortWithinPartition 的文档说明
返回一个新的数据集,每个分区按给定的表达式排序
考虑这个函数的最简单方法是想象第四列(分区 id)用作主要排序标准。函数 spark_partition_id() 打印分区。
例如,如果您只有一个大分区(您作为 Spark 用户永远不会这样做!),sortWithinPartition
可以正常排序:
df.repartition(1)
.sortWithinPartitions("type","id","time")
.withColumn("partition",spark_partition_id())
.show();
印刷品
+----+---+----+---------+
|type| id|time|partition|
+----+---+----+---------+
| 1| a| 5| 0|
| 1| a| 6| 0|
| 1| a| 7| 0|
| 1| a| 8| 0|
| 2| b| 1| 0|
| 2| b| 2| 0|
| 2| b| 3| 0|
| 2| b| 4| 0|
+----+---+----+---------+
如果有更多的分区,结果只在每个分区内排序:
df.repartition(4)
.sortWithinPartitions("type",spark_partition_id())
.show();
印刷品
+----+---+----+---------+
|type| id|time|partition|
+----+---+----+---------+
| 2| b| 1| 0|
| 2| b| 3| 0|
| 1| a| 5| 1|
| 1| a| 6| 1|
| 1| a| 8| 2|
| 2| b| 2| 2|
| 1| a| 7| 3|
| 2| b| 4| 3|
+----+---+----+---------+
为什么要使用 sortWithPartition
而不是 sort? sortWithPartition
不会触发 shuffle,因为数据仅在执行程序内移动。 sort
但是会触发随机播放。因此 sortWithPartition
执行得更快。如果数据按有意义的列进行分区,则在每个分区内排序可能就足够了。