关闭

决定Spark RDD分区算法因素的总结

180人阅读 评论(0) 收藏 举报
分类:

RDD在调用引起Shuffle的方法的时候,如果没有显示指定ShuffledRDD的分区,那么会调用Partitioner.defaultPartitioner方法来确定ShuffledRDD的分区,比如RDD.combineByKey:

[java] view plain copy
 在CODE上查看代码片派生到我的代码片
  1. def combineByKey[C](createCombiner: V => C, mergeValue: (C, V) => C, mergeCombiners: (C, C) => C)  
  2.     : RDD[(K, C)] = self.withScope {  
  3.     combineByKey(createCombiner, mergeValue, mergeCombiners, defaultPartitioner(self))  
  4.   }  

RDD.groupByKey:

[java] view plain copy
 在CODE上查看代码片派生到我的代码片
  1. def groupByKey(): RDD[(K, Iterable[V])] = self.withScope {  
  2.     groupByKey(defaultPartitioner(self))  
  3.   }  

RDD.join:

[java] view plain copy
 在CODE上查看代码片派生到我的代码片
  1. def join[W](other: RDD[(K, W)]): RDD[(K, (V, W))] = self.withScope {  
  2.     join(other, defaultPartitioner(self, other))  
  3.   }  


Partitioner.defaultPartitioner代码如下:

[java] view plain copy
 在CODE上查看代码片派生到我的代码片
  1. def defaultPartitioner(rdd: RDD[_], others: RDD[_]*): Partitioner = {  
  2.     val bySize = (Seq(rdd) ++ others).sortBy(_.partitions.size).reverse//从大到小排序  
  3.     for (r <- bySize if r.partitioner.isDefined) {  
  4.       return r.partitioner.get//如果依赖的RDD中存在RDD已经设置了分区,则从设置了分区的RDD中则挑选出分区数最大的RDD.partitioner  
  5.     }  
  6.     if (rdd.context.conf.contains("spark.default.parallelism")) {  
  7.       new HashPartitioner(rdd.context.defaultParallelism)  
  8.     } else {  
  9.       new HashPartitioner(bySize.head.partitions.size)//默认取分区个数最大的RDD作为hashcode  
  10.     }  
  11.   }  
可见默认情况下,ShuffledRDD的分区确定算法为:

1. 如果依赖的RDD中存在RDD已经设置了RDD.partitioner,则从设置了分区的RDD中则挑选出分区数最大的RDD.partitioner

2. 如果依赖的所有RDD都没有设置RDD.partitioner,但是设置了Spark.default.parallelism,那么根据spark.default.parallelism设置创建HashPartitioner,作为ShuffledRDD的分区依据

3. 以上2点都不满足,则从依赖的RDD中,去除分区数最大的RDD的分区个数,创建HashPartitioner,作为ShuffledRDD的分区依据


一个Spark应用可能包含多个Stage,假设Stage1经过Shuffle后生成新的ShuffledRDD1,然后再开始Stage2,但是从Stage2到Stage3的时候,在确定ShuffledRDD2的时候,ShuffledRDD1.partitioner是不是还存在呢?RDD.map是RDD最常调用的方法,RDD.map会创建MapPartitionsRDD,下面看看MapPartitionsRDD的创建:

[java] view plain copy
 在CODE上查看代码片派生到我的代码片
  1. def map[U: ClassTag](f: T => U): RDD[U] = withScope {  
  2.     val cleanF = sc.clean(f)  
  3.     new MapPartitionsRDD[U, T](this, (context, pid, iter) => iter.map(cleanF))  
  4.   }  

可见MapPartitionsRDD.partitioner为None,由此可见ShuffledRDD1执行完map方法转换之后,ShuffledRDD1的partitioner没有传递到MapPartitionsRDD

为什么呢?

因为进行map操作之后,RDD中的数据已经发生了变化,每个数据如果shuffle的话计算出来的Hash值已经发生了改变,而Hash值确定了RDD中一个元素所在的分区,RDD的每个元素在下一个Stage所在的分区很可能发生了变化,所以默认情况下MapPartitionsRDD.partitioner设置为None,这样即使shuffle前的Stage1和Shuffle后的Stage2的分区个数相同,也需要Shuffle来重新确定RDD中每个元素所在的分区。


假设Shuffle后的RDD依赖多个RDD,比如说CoGroupedRDD,会不会两个RDD都会发生Shuffle呢?下面以CoGroupedRDD为例看一看。CoGroupedRDD.getDependencies的定义如下:

[java] view plain copy
 在CODE上查看代码片派生到我的代码片
  1. override def getDependencies: Seq[Dependency[_]] = {  
  2.     rdds.map { rdd: RDD[_] =>  
  3.       if (rdd.partitioner == Some(part)) {  
  4.         logDebug("Adding one-to-one dependency with " + rdd)  
  5.         new OneToOneDependency(rdd)  
  6.       } else {  
  7.         logDebug("Adding shuffle dependency with " + rdd)  
  8.         new ShuffleDependency[K, Any, CoGroupCombiner](  
  9.           rdd.asInstanceOf[RDD[_ <: Product2[K, _]]], part, serializer)  
  10.       }  
  11.     }  
  12.   }  

可见如果CoGroupedRDD依赖的某个RDD和CoGroupedRDD分区相同,则这个被依赖的RDD就不会进行Shuffle。


0
0

查看评论
* 以上用户言论只代表其个人观点,不代表CSDN网站的观点或立场
    个人资料
    • 访问:78928次
    • 积分:1773
    • 等级:
    • 排名:千里之外
    • 原创:89篇
    • 转载:68篇
    • 译文:2篇
    • 评论:6条
    文章分类
    最新评论