apache-spark - Spark 如何跟踪 randomSplit 中的分割？

Question

这个问题解释了Spark的随机分割是如何工作的，How does Sparks RDD.randomSplit actually split the RDD ，但我不明白 Spark 如何跟踪哪些值进入一个拆分，以便这些相同的值不会进入第二个拆分。

如果我们看一下 randomSplit 的实现:

def randomSplit(weights: Array[Double], seed: Long): Array[DataFrame] = {
 // It is possible that the underlying dataframe doesn't guarantee the ordering of rows in its
 // constituent partitions each time a split is materialized which could result in
 // overlapping splits. To prevent this, we explicitly sort each input partition to make the
 // ordering deterministic.

 val sorted = Sort(logicalPlan.output.map(SortOrder(_, Ascending)), global = false, logicalPlan)
 val sum = weights.sum
 val normalizedCumWeights = weights.map(_ / sum).scanLeft(0.0d)(_ + _)
 normalizedCumWeights.sliding(2).map { x =>
  new DataFrame(sqlContext, Sample(x(0), x(1), withReplacement = false, seed, sorted))
}.toArray
}

我们可以看到它创建了两个共享相同 sqlContext 并具有两个不同 Sample(rs) 的 DataFrame。

这两个 DataFrame 如何相互通信，以便第一个 DataFrame 中的值不会包含在第二个 DataFrame 中？

数据是否被提取两次？ (假设sqlContext正在从数据库中选择，该选择是否被执行了两次？)。

Answer 1

这与对 RDD 进行采样完全相同。

假设你有权重数组(0.6, 0.2, 0.2)，Spark将为每个范围(0.0, 0.6), (0.6, 0.8), (0.8, 1.0)。

当需要读取结果 DataFrame 时，Spark 将仅遍历父 DataFrame。对于每个项目，生成一个随机数，如果该数字落在指定范围内，则发出该项目。所有子DataFrame共享相同的随机数生成器(从技术上讲，不同的生成器具有相同的种子)，因此随机数的序列是确定性的。

对于你的最后一个问题，如果你没有缓存父DataFrame，那么每次计算输出DataFrame时都会重新获取输入DataFrame的数据。