spark partitioner使用技巧

以下源码分析基于Spark-1.5.2

在Spark的PairRDDFunctions,OrderedRDDFunctions这两个类中,都会用到RDD的partitioner信息.具体使用到的partitioner的方法如下:

combineByKey
aggregateByKey
groupByKey

reduceByKey
cogroup
join
leftOuterJoin
rightOuterJoin
fullOuterJoin

在使用SparkContext构建RDD的时候,RDD的partitioner信息,一开始为None,只有在key-value类型的RDD中可以设置partitioner信息,在使用partitioner优化RDD的代码的时,最常用到的还是几个链接操作,cogroup/join/leftOuterJoin/rightOuterJoin/fullOuterJoin,这几个操作最终都是调用cogroup方法进行链接操作.

cogroup链接两个RDD的时候,会创建CoGroupedRDD,这个RDD在计算的时候,会判断RDD是否已经已经按要求分区,如果是则属于窄依赖,不需要shuffle,否则需要shuffle.

private[spark] class CoGroupPartition

可以看出,如果一个RDD需要多次在join(特别是迭代)中使用,那么事先使用partitionBy对RDD进行分区,可以减少大量的shuffle.

以下两图分别说明partitionBy前后join的依赖关系:

示例说明:

以上代码注意:

1.partitionBy之后一定要使用persist()将partitionBy的结构保存下来,否则下次使用的时候还会重新计算依赖链,(官方说的,我这里还不确定,持怀疑态度).

2.map等普通RDD的操作会将rdd中partitioner属性设置为None，因为map等操作能够改变key的类型。

3.对join效率的提高,不一定要用HashPartitioner,使用RangePartitioner也行这和Partitioner的类型无关.

4.在使用到partitioner的方法中，如果没有显示的指明partitioner的类型，会调用Partitioner类的defaultPartitioner方法，查看这个方法的代码会发现，如果rdd已经设置了partitioner的信息，spark.default.parallelism这个属性会失效。

5.HashPartitioner(num)，num决定了shuffle过程的并发量。

6.不要使用Array类型作为key-value数据的key,HashPartitioner不能以Array为Key进行分区.

defaultPartitoner的代码及其说明如下：

object Partitioner {
/**
* Choose a partitioner to use for a cogroup-like operation between a number of RDDs.
*
* If any of the RDDs already has a partitioner, choose that one.
*
* Otherwise, we use a default HashPartitioner. For the number of partitions, if
* spark.default.parallelism is set, then we'll use the value from SparkContext
* defaultParallelism, otherwise we'll use the max number of upstream partitions.
*
* Unless spark.default.parallelism is set, the number of partitions will be the
* same as the number of partitions in the largest upstream RDD, as this should
* be least likely to cause out-of-memory errors.
*
* We use two method parameters (rdd, others) to enforce callers passing at least 1 RDD.
*/
def defaultPartitioner(rdd: RDD[_], others: RDD[_]*): Partitioner = {
/**
* 这一部分代码说明,join等操作 ,即使事先使用了partitionBy方法, 也不一定有优化效果 ,
* 例如:rdd1.join(rdd2), 期望通过 rdd1事先partitionBy达到优化的目的 ,但是如果在
* join之前 rdd2也已经partitionBy过 ,并且rdd2的 numPartitions>rdd1的numPartitions
* 那么rdd1 还是会按照 rdd2的分区数量重新进行分区 .
* 另外还要说明一点,rdd1.join(rdd2)和 rdd2.join(rdd1)输出结果一样,优化效果也一样
*/
val bySize = (Seq(rdd) ++ others).sortBy(_.partitions.size).reverse
for (r <- bySize if r. partitioner.isDefined && r.partitioner .get.numPartitions > 0) {
return r.partitioner.get
}
/**
* 如下代码可以看出,如果 rdd已经设置了partitioner的信息, 那么spark.default.parallelism这个参数就会失效
* (spark.default.parallelism这个参数相当于shuffle的分区数量 ,决定了shuffle的并发量 )
*/
if (rdd.context.conf.contains("spark.default.parallelism")) {
new HashPartitioner(rdd.context.defaultParallelism)
} else {
new HashPartitioner(bySize.head.partitions.size)
}
}
}

---

在Spark中实现了两类Partitioner,一类是HashPartitioner,另一类是RangePartitioner.

RangePartitioner
1.用在RDD的sortByKey和filterByRange中,其他key-value的RDD方法都是使用HashPartitioner作为默认partitionerHashPartitioner
1.源码中使用HashPartitioner的地方,都会首先判断rdd是否已经进行过HashPartioner了,如果已经进行了,则属于窄依赖不需要shuffle.在这些判断中,调用的是HashPartitioner的equals方法,equals源码如下:

override def equals (other: Any): Boolean = other match {
case h: HashPartitioner =>
h.numPartitions == numPartitions
case _ =>
false
}

可以看出,只有两个HashPartitioner使用了同样的分区数量numPartitions,两个partitioner才是相等的,所以这里要注意一点,要使用partitioner减少shuffle的时候,HashPartitioner(num)中的num要与需要shuffle的方法使用的num数量相同.
示例说明:

val rdd1 = sc.parallelize( Array(( 1,1 ),( 1,2 ),( 2,1 ),( 3,1 ),( 1,2 ),( 2,1 ),( 3,1 )))
.partitionBy(new HashPartitioner(2)).persist()
val rdd2=sc.parallelize(Array((1 ,'x') ,(2 ,'y') ,(2 ,'z') ,(4 ,'w') ,(2 ,'y') ,(2 ,'z') ,(4 ,'w')))
/**有优化效果,rdd1不再需要shuffle*/
rdd1.join(rdd2)
/**有优化效果,rdd1不再需要shuffle*/
rdd1.join(rdd2 ,new HashPartitioner(2))
/**无优化效果,rdd1需要再次shuffle*/
rdd1.join(rdd2 ,new HashPartitioner(3))

转载自：http://blog.csdn.net/yhb315279058