Question

我现在正在研究这两个概念，并希望有一些清晰度。从命令行开始，我一直在尝试识别差异，以及开发人员何时使用repartition vs partitionBy。

以下是一些示例代码：

{{1}}

我看了两者的实现，并且我注意到的唯一区别是partitionBy可以采用分区函数，或者默认情况下使用portable_hash。所以在partitionBy中，所有相同的键应该在同一个分区中。在重新分区中，我希望这些值在分区上更均匀地分布，但事实并非如此。

鉴于此，为什么有人会使用重新分配？我想我唯一能看到它被使用的是我不使用PairRDD，或者我有大量的数据偏斜？

是否有某些我缺失的东西，或者有人可以从不同的角度为我提供光线？

Answer 1

repartition已存在于RDD中，并且不按键（或除订购之外的任何其他标准）处理分区。现在，PairRDD添加了密钥的概念，并随后添加了另一种允许按该密钥分区的方法。

所以，是的，如果您的数据是键控的，那么您应该绝对按该键进行分区，这在很多情况下是首先使用PairRDD的点（对于连接，reduceByKey等等）。

Answer 2

repartition()用于指定考虑核心数量和数据量的分区数量。

partitionBy()用于提高改组函数的效率，例如reduceByKey()，join()，cogroup()等。仅在使用RDD的情况下才有用多次，因此通常后跟persist()。

两者之间的差异：

pairs = sc.parallelize([1, 2, 3, 4, 2, 4, 1, 5, 6, 7, 7, 5, 5, 6, 4]).map(lambda x: (x, x))

pairs.partitionBy(3).glom().collect()
[[(3, 3), (6, 6), (6, 6)],
 [(1, 1), (4, 4), (4, 4), (1, 1), (7, 7), (7, 7), (4, 4)],
 [(2, 2), (2, 2), (5, 5), (5, 5), (5, 5)]]

pairs.repartition(3).glom().collect()
[[(4, 4), (2, 2), (6, 6), (7, 7), (5, 5), (5, 5)],
 [(1, 1), (4, 4), (6, 6), (4, 4)],
 [(2, 2), (3, 3), (1, 1), (5, 5), (7, 7)]]

Pyspark：重新分区vs partitionBy

2 个答案: