spark-算子-分区算子partitionBy、coalesce、repartition

一、partitionBy

val inputRDD = sc.parallelize(Array[(Int,Char)] ((1, 'a'),(2,'b'),(3,'C') (4,'d'),(2,'e'),(3,'f'),(2,'g'),(1, 'h')),3)

val resultRDD = inputRDD.partitionBy(new HashPartitioner (2))//使用HashPartitioner重新分区
val resultRDD = inputRDD.partitionBy(new RangePartitioner(2,inputRDD))//使用RangePartitioner重新分区

同repartition区别，partitionBy是根据partitioner，而repartition是随机策略，不能指定partitioner

二、coalesce

用来改变分区数，根据随机生成的key，使用随机策略均匀的分布数据，只能传入分区数，不能指定partitioner

val sc = new SparkContext()
val inputRDD = sc.parallelize(Array[(Int, Char)]((3, 'c'), (3, 'f'), (1, 'a'), (4, 'd'), (1, 'h'), (2, 'b'), (5, 'e'), (2, 'g')), 5)
var coalesceRDD = inputRDD.coalesce(2) //图3.19中的第1个图
coalesceRDD = inputRDD.coalesce(6) //图3.19中的第2个图
coalesceRDD = inputRDD.coalesce(2, true) // 图3.19中的第3个图
coalesceRDD = inputRDD.coalesce(6, true) //图3.19中的第4个图

1. 减少分区个数
   
   如图319中的第1个图所示，rdd1的分区个数为5，当使用coalesce(2)减少为两个分区时,spark会将相邻的分区直接合并在一起，得到rdd2，形成的数据依赖关系是多对一的NarrowDependency.这种方法的缺点是，当rdd1中不同分区中的数据量差别较大时，直接合并容易造成数据倾斜(rdd2中某些分区数据量过多或过少)
2. 增加分区个数
   
   如图3.19中的第2个图所示，当使用coalesce(6)将rdd1的分区个数增加为6时，会发现生成的rdd2的分区个数并没有增加，还是5。这是因为coalesce()默认使用NarrowDependency，不能将一个分区拆分为多份。
3. 使用Shuffle来减少分区个数:
   
   如图3.19中的第3个图所示，为了解决数据倾斜的问题,我们可以使用coalesce(2, Shuffle = true)来减少RDD的分区个数。使用Shuffle = true后，Spark 随机将数据打乱，从而使得生成的RDD中每个分区中的数据比较均衡。具体采用的方法是为rdd1中的每个record添加一个特殊的Key,如第3个图中的MapPartitionsRDD,Key是 Int类型,并从[0, numPartitions)中随机生成，如<3,f >=><2,(3,f)>中，2是随机生成的Key，接下来的record的Key递增1，如<1,a> =><3,(1,a)>。这样，Spark可以根据Key的 Hash值将rdd1中的数据分发到rdd2的不同的分区中，然后去掉Key即可（见最后的 MapPartitionsRDD)。
4. 使用Shuffle来增加分区个数:
   
   如图3.19 中的第4个图所示，通过使用ShuffeDepedency，可以对分区进行拆分和充足，解决分区个数不能增加的问题。

三、repartition = coalesce(numPartitions,true)

repartition(partitionNums)： Reshuffle the data in the RDD randomly to create either more or fewer partitions and balance it across them. This always shuffles all data over the network.
中文：通过创建更多或更少的分区将数据随机的打散，让数据在不同分区之间相对均匀。这个操作经常是通过网络进行数打散。
从设计的角度上来说，repartition 是用来让数据更均匀分布的

coalesce和repartition 用法

语义上的区别：repartition = coalesce(numPartitions,true)

coalesce

coalesce算子默认只能减少分区数量，如果设置为false且参数大于调用RDD的分区数，那调用RDD的分区数不会变化。

coalesce的作用常常是减少分区数，已达到输出时合并小文件的效果。减少分区数有2种情况：

1. 直接用默认的coalesce(parNum,false)，此时只有一个stage，且stage的并行度设置为coalesce的parNum，可能会对性能有影响
   在一个stage中，coalesce中设定的分区数是优先级最高的
2. coalesce(parNum,true)，此时会有2个stage，stage0仍然使用原来的并行度，然后合并分区，减少并行度。适合大数据量的过滤后小数据量的操作。
   比如有个rdd原来有200个分区，经过filter操作后，数据大幅减少，200个分区过多了，此时就可以使用coalesce(parNum,true)

repartition

repartition 返回一定一个parNum个分区的RDD，一定会shuffle，一般用这个就是为了增加分区数，提高并行度！