Spark DataFrame重新分区

Partitioning:

• 分区数据通常用于水平分配负载，这具有性能优势，并有助于以逻辑方式组织数据 .

• 分区表会更改持久化数据的结构，现在将创建反映此分区结构的子目录 .

• 这可以显着提高查询性能，但前提是分区方案反映了常见的过滤 .

在Spark中，这由 df.write.partitionedBy(column*) 完成，并通过将 columns 分区到同一子目录中来分组数据 .

Bucketing:

• Bucketing是另一种将数据集分解为更易于管理的部分的技术 . 根据提供的列，将整个数据散列到用户定义数量的存储区（文件）中 .

• Hive的同义词 Distribute By

在Spark中，这由 df.write.bucketBy(n, column*) 完成，并通过将 columns 分区到同一文件中来分组数据 . 生成的文件数由 n 控制

Repartition:

• 它根据给定的分区表达式将一个新的 DataFrame 均衡地返回到给定数量的内部文件中 . 生成的DataFrame是散列分区的 .

• Spark管理这些分区上的数据，这些数据有助于并行化分布式数据处理，只需最少的网络流量即可在 Actuator 之间发送数据 .

在Spark中，这由 df.repartition(n, column*) 完成，并通过将 columns 分区为相同的内部分区文件来对数据进行分组 . 请注意，没有数据持久存储到存储，这只是基于类似 bucketBy 的约束的数据内部 balancer

Tl;dr

1）我在列上使用重新分区将数据存储在镶木地板中 . 但我看到了没有 . 镶木地板分区文件与no不同 . Rdd分区 . rdd分区和镶木地板分区之间没有相关性吗？

• 重新分区与bucketBy没有partitionedBy的相关性 . 分区文件由 spark.sql.shuffle.partitions 和 spark.default.parallelism 等其他配置管理

2）当我将数据写入镶木地板分区并使用Rdd重新分区然后我从镶木地板分区读取数据时，在读/写期间rdd分区编号是否相同时是否有任何条件？

• 在读取时间内，分区数将等于 spark.default.parallelism

3）如何使用列id对数据帧进行分支，并通过相同的列ID重新分区数据帧？

• 类似工作，除了bucketing是一个写操作，用于持久化 .

4）在考虑Spark中的连接性能时，我们应该关注分组或重新分区（或者两者兼而有之）

两个数据集的

• repartition 都在内存中，如果一个或两个数据集都是持久的，那么也请查看 bucketBy .