Spark的重划分（分区）与合并

Spark的分区与合并操作通常是一个重要的优化方法，它根据一些经常过滤的列对数据进行分区，控制跨集群数据的物理布局，包括分区方案和分区数。
不管是否有必要，重新分区都会导致数据的全面洗牌。
如果将来的分区数大于当前的分区数，或者当你想要基于某一组特定列来进行分区时，通常只能重新分区。
合并分区：合并操作（coalesce）不会导致数据的全面洗牌，但会尝试合并分区。
示例代码如下：

/**
   * 分区与合并
   *  另一个重要的优化是根据一些经常过滤的列对数据进行分区，控制跨集群数据的物理布局，包括分区方案和分区数
   *  不管是否有必要，重新分区都会导致数据的全面洗牌。
   *  如果将来的分区数大于当前的分区数，或者当你想要基于某一组特定列来进行分区时，通常只能重新分区
   *
   *  合并分区：合并操作（coalesce）不会导致数据的全面洗牌，但会尝试合并分区。
   */
  def partition1():Unit = {
   
    val rdd