Предположим, у меня есть список строк. Я фильтрую и сортирую их и собираю результат для драйвера. Однако все распределяется, и каждый RDD имеет свою собственную часть исходного списка. Итак, как Spark достигает окончательного упорядоченного порядка, объединяет ли он результаты?
Как Spark достигает порядка сортировки?
Ответ 1
Сортировка в Spark - это многофазный процесс, который требует перемешивания:
- выборка входного RDD, и эта выборка используется для вычисления границ для каждого выходного раздела (
sample
, за которым следуетcollect
) - входной СДР разделяется с использованием
rangePartitioner
с границами, вычисленными на первом этапе (partitionBy
) - каждый раздел второго этапа сортируется локально (
mapPartitions
)
Когда данные собраны, остается только следовать порядку, определенному разделителем.
Вышеуказанные шаги четко отражены в строке отладки:
scala> val rdd = sc.parallelize(Seq(4, 2, 5, 3, 1))
rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[0] at ...
scala> rdd.sortBy(identity).toDebugString
res1: String =
(6) MapPartitionsRDD[10] at sortBy at <console>:24 [] // Sort partitions
| ShuffledRDD[9] at sortBy at <console>:24 [] // Shuffle
+-(8) MapPartitionsRDD[6] at sortBy at <console>:24 [] // Pre-shuffle steps
| ParallelCollectionRDD[0] at parallelize at <console>:21 [] // Parallelize