重分区算子种类
重分区算子用来对数据进行重新分区,可以用来解决数据倾斜问题
- Random Partitioning
- 根据均匀分布随机分配元素,(类似于random.nextInt(3),0 - 3 在概率上是均匀的)
- dataStream.shuffle()
- Rebalancing
- 分区元素循环,每个分区创建相等的负载。数据发生倾斜的时候可以用于性能优化
- 对数据集进行再平衡,重分组,消除数据倾斜
- dataStream.rebalance()
- Rescaling
- rescale与rebalance很像,也是将数据均匀分布到各下游各实例上,但它的传输开销更小,因为rescale并不是将每个数据轮询地发送给下游每个实例,而是就近发送给下游实例
- dataSteam.rescale()
- Custom Partitioning
- 自定义分区需要时间Paritition接口
- dataStream.partitionCustom(partitioner, “someKey”)
- 或者dataStream.partitionCustom(partitioner,0)
- 自定义分区需要时间Paritition接口
- Brodcasting
- 即广播变量。将数据分发到每一个JVM进程,供当前进程的所有线程共享数据。
Random Partitioning
上游数据会随机的选择下游的一个分区下发数据
Rebalancing
第一次随机选择一个分区,后续按照顺序轮序
注意,以下问题没考证
- 据说老版本的Rebalancing第一次选择的分区是固定的,因此当数据少的时候,第一个固定的分区反而会数据倾斜,不过现在没这个问题了
Rescaling
根据资源使用情况动态调节同一作业的数据分布,根据物理实例部署时的资源共享情况动态调节数据分布,目的是让数据尽可能的在同一 solt 内流转,以减少网络开销。
stream.setParallelism(4).rescale.print().setParallelism(2)
// 前面会4个分区,后面算子只有2个分区。
// 那么前面4个分区会映射到后面的2个分区中
// 例如4中的0,1 映射到后面的 0 分区,2,3映射到后面1分区
// 若
stream.setParallelism(2).rescale