目录
- 1、repartition 类
- 2、byKey类
- 3、join类
- 4、使用建议
1、repartition 类
repartition类的操作:比如repartition、repartitionAndSortWithinPartitions、coalesce等。
重分区: 一般会shuffle,因为需要在整个集群中,对之前所有的分区的数据进行随机、均匀地打乱,然后把数据放入下游新的指定数量的分区内。
2、byKey类
byKey类的操作:比如reduceByKey、groupByKey、sortByKey等。
byKey类的操作:因为你要对一个key,进行聚合操作,那么肯定要保证集群中,所有节点上的相同的key,一定是到同一个节点上进行处理。
3、join类
join类的操作:比如join、cogroup等。
两个rdd进行join,就必须将join 相同 key的数据,shuffle到同一个节点上,然后进行相同key的两个rdd数据的笛卡尔乘积。
4、使用建议
第一原则,能不用shuffle操作,就尽量不用shuffle操作,尽量使用不shuffle的操作;
第二原则,如果使用了shuffle操作,那么肯定要进行shuffle的调优,甚至是解决碰到的数据倾斜的问题。