将 sortWithinPartitions 应用于 df 并将输出写入表后,我得到一个结果,但我不知道如何解释。
df
.select($"type", $"id", $"time")
.sortWithinPartitions($"type", $"id", $"time")
结果文件看起来有点像
1 a 5
2 b 1
1 a 6
2 b 2
1 a 7
2 b 3
1 a 8
2 b 4
它实际上不是随机的,但也不像我期望的那样排序。即,首先按类型,然后是 id,然后是时间。 如果我尝试在排序之前使用重新分区,那么我会得到我想要的结果。但由于某种原因,文件的重量增加了 5 倍(100GB vs 20GB)。
我正在向 hive orc 表写入数据,并将压缩设置为 snappy。
有谁知道为什么这样排序以及为什么重新分区会获得正确的顺序,但尺寸更大?
使用火花2.2。
sortWithinPartitions的文档说明
返回一个新的数据集,其中每个分区均按给定表达式排序
考虑此函数的最简单方法是想象用作主要排序标准的第四列(分区 ID)。函数 spark_partition_id() 打印分区。
例如,如果您只有一个大分区(作为 Spark 用户,您永远不会这样做!),
sortWithinPartitions
可以作为正常排序使用:
df.repartition(1)
.sortWithinPartitions("type","id","time")
.withColumn("partition", spark_partition_id())
.show();
打印
+----+---+----+---------+
|type| id|time|partition|
+----+---+----+---------+
| 1| a| 5| 0|
| 1| a| 6| 0|
| 1| a| 7| 0|
| 1| a| 8| 0|
| 2| b| 1| 0|
| 2| b| 2| 0|
| 2| b| 3| 0|
| 2| b| 4| 0|
+----+---+----+---------+
如果分区较多,则结果仅在每个分区内排序:
df.repartition(4)
.sortWithinPartitions("type","id","time")
.withColumn("partition", spark_partition_id())
.show();
打印
+----+---+----+---------+
|type| id|time|partition|
+----+---+----+---------+
| 2| b| 1| 0|
| 2| b| 3| 0|
| 1| a| 5| 1|
| 1| a| 6| 1|
| 1| a| 8| 2|
| 2| b| 2| 2|
| 1| a| 7| 3|
| 2| b| 4| 3|
+----+---+----+---------+
为什么要使用
sortWithinPartitions
而不是 sort? sortWithinPartitions
不会触发 shuffle,因为数据仅在执行器内移动。 sort
但是会触发随机播放。因此 sortWithinPartitions
执行得更快。如果数据按有意义的列进行分区,则在每个分区内进行排序可能就足够了。