因为它不是为了设计的.通常情况下,不可能对数据进行分区(包括范围分区)以实现相同大小的分区.请记住,通过分区程序的合同,特定值的所有记录都必须驻留在单个分区上.即使在可以实现均匀分布的情况下,确定精确的分区边界也会非常昂贵.
因为Spark的样本数据的目标是获得大致相同大小的范围,这种行为对于典型的Spark应用程序来说已经足够了.
SparkContext.parallelize根本不使用分区器.相反,它根据特定输入的语义计算拆分,因此可以创建相同大小的拆分.
如果您事先了解数据分布,则可以始终设计自定义分区功能,从而获得所需的输出.例如:
import bisect
from functools import partial
partition_func = partial(bisect.bisect, [2, 4, 6, 8])
(sc.range(0, 10)
.map(lambda x: (x, None))
.repartitionAndSortWithinPartitions(5, partition_func)
.keys())
对于CPython中相对较短(最多1 <<60左右)的整数序列,您可以使用散列分区:
(sc.range(0, 10, 1)
.map(lambda x: (x, None))
.partitionBy(10)
.keys()
.glom()
.collect())
[[0], [1], [2], [3], [4], [5], [6], [7], [8], [9]]
但它只是一个实现细节(hash(x),其中isinstance(x,int)等于x).