- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我找不到太多关于确保分区顺序的文档 - 我只是想确保给定一组确定性转换(输出行始终相同),如果基础数据集不接收相同的元素集,则分区始终接收相同的元素集改变。那可能吗?
它不需要排序:一个例子是在 RDD 上应用一组转换后,现在看起来像这样 -> (A, B, C, D, E, F, G)
如果我的 Spark.default.parallelism 是 2 或 3,则元素集将始终是:分别为(A、B、C、D)、(E、F、G)或(A、B)、(C、D)、(E、F、G)。
这是因为我必须让我的执行器根据其正在操作的分区/元素集产生一些副作用,并且我想确保 Spark 应用程序是幂等的。 (如果重新启动,也会产生相同的副作用)
编辑:显然,DF 重新分区是确定性的,但 RDD 分区不是(Spark 2.4.4)。
def f1(rdds):
rows = list(rdds)
stats_summary = [{
'origin': str(row['origin']),
'dest': str(row['dest']),
'start_time': analysis_date.isoformat(),
'value': row['count']
} for row in rows]
stats_summary.sort(key=lambda t: (t['start_time'], t['origin'], t['dest']))
rtn = "partition size: {}, first: ({}, {}), last: ({}, {})".format(
len(rows),
stats_summary[0]["origin"], stats_summary[0]["dest"],
stats_summary[-1]["origin"], stats_summary[-1]["dest"])
return [rtn]
repartition_rdd_res = unq_statistics.rdd \
.repartition(10) \
.mapPartitions(f1) \
.collect()
repartition_df_res = unq_statistics.repartition(10) \
.rdd \
.mapPartitions(f1) \
.collect()
repartition_rdd_res4 = ['partition size: 131200, first: (-1, -1), last: (999, -1)',
'partition size: 131209, first: (-1, 1014), last: (996, 996)',
'partition size: 131216, first: (-1, 1021), last: (999, 667)',
'partition size: 131218, first: (-1, 1008), last: (991, 1240)',
'partition size: 131222, first: (-1, 1001), last: (994, 992)',
'partition size: 131229, first: (-1, 1007), last: (994, 890)',
'partition size: 131233, first: (-1, 1004), last: (991, -1)',
'partition size: 131235, first: (-1, 1005), last: (999, 1197)',
'partition size: 131237, first: (-1, 100), last: (999, 997)',
'partition size: 131240, first: (-1, 1010), last: (994, -1)']
repartition_rdd_res3 = ['partition size: 131200, first: (-1, -1), last: (999, -1)',
'partition size: 131209, first: (-1, 1006), last: (994, 2048)',
'partition size: 131216, first: (-1, 1002), last: (996, 996)',
'partition size: 131218, first: (-1, 1017), last: (999, 667)',
'partition size: 131222, first: (-1, 1008), last: (994, 890)',
'partition size: 131229, first: (-1, 1000), last: (99, 96)',
'partition size: 131233, first: (-1, 1001), last: (994, 992)',
'partition size: 131235, first: (-1, 1009), last: (990, 1601)',
'partition size: 131237, first: (-1, 1004), last: (994, -1)',
'partition size: 131240, first: (-1, 1003), last: (999, 997)']
repartition_rdd_res2 = ['partition size: 131200, first: (-1, 1013), last: (991, 2248)',
'partition size: 131209, first: (-1, 1007), last: (999, 667)',
'partition size: 131216, first: (-1, 100), last: (99, 963)',
'partition size: 131218, first: (-1, 1002), last: (999, 997)',
'partition size: 131222, first: (-1, 101), last: (996, 996)',
'partition size: 131229, first: (-1, -1), last: (991, 1240)',
'partition size: 131233, first: (-1, 1006), last: (999, 1197)',
'partition size: 131235, first: (-1, 1001), last: (994, 992)',
'partition size: 131237, first: (-1, 1019), last: (999, -1)',
'partition size: 131240, first: (-1, 1017), last: (991, -1)']
repartition_df_res2 = ['partition size: 131222, first: (-1, 1023), last: (996, 996)',
'partition size: 131223, first: (-1, 1003), last: (999, 667)',
'partition size: 131223, first: (-1, 1012), last: (990, 990)',
'partition size: 131224, first: (-1, -1), last: (999, 1558)',
'partition size: 131224, first: (-1, 100), last: (99, 98)',
'partition size: 131224, first: (-1, 1008), last: (99, 968)',
'partition size: 131224, first: (-1, 1018), last: (999, 997)',
'partition size: 131225, first: (-1, 1006), last: (994, 992)',
'partition size: 131225, first: (-1, 101), last: (990, 935)',
'partition size: 131225, first: (-1, 1013), last: (999, 1197)']
最佳答案
让我们看看 source ,特别是它的随机播放部分:
...
if (shuffle) {
/** Distributes elements evenly across output partitions, starting from a random partition. */
val distributePartition = (index: Int, items: Iterator[T]) => {
var position = new Random(hashing.byteswap32(index)).nextInt(numPartitions)
items.map { t =>
// Note that the hash code of the key will just be the key itself. The HashPartitioner
// will mod it with the number of total partitions.
position = position + 1
(position, t)
}
} : Iterator[(Int, T)]
...
正如您所看到的,元素从给定源分区 N
到 X
目标分区的分布是一个简单的增量(稍后按 X
) 从某个仅取决于 N
的数字开始,因此是预先确定的。因此,如果您的源 RDD 未更改,repartition(X)
的结果每次也应该相同。
关于apache-spark - Spark RDD 对于每个分区中的元素集是否具有确定性?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/59681031/
目前正在学习 Spark 的类(class)并了解到执行者的定义: Each executor will hold a chunk of the data to be processed. Thisc
阅读了有关 http://spark.apache.org/docs/0.8.0/cluster-overview.html 的一些文档后,我有一些问题想要澄清。 以 Spark 为例: JavaSp
Spark核心中的调度器与以下Spark Stack(来自Learning Spark:Lightning-Fast Big Data Analysis一书)中的Standalone Schedule
我想在 spark-submit 或 start 处设置 spark.eventLog.enabled 和 spark.eventLog.dir -all level -- 不要求在 scala/ja
我有来自 SQL Server 的数据,需要在 Apache Spark (Databricks) 中进行操作。 在 SQL Server 中,此表的三个键列使用区分大小写的 COLLATION 选项
所有这些有什么区别和用途? spark.local.ip spark.driver.host spark.driver.bind地址 spark.driver.hostname 如何将机器修复为 Sp
我有大约 10 个 Spark 作业,每个作业都会进行一些转换并将数据加载到数据库中。必须为每个作业单独打开和关闭 Spark session ,每次初始化都会耗费时间。 是否可以只创建一次 Spar
/Downloads/spark-3.0.1-bin-hadoop2.7/bin$ ./spark-shell 20/09/23 10:58:45 WARN Utils: Your hostname,
我是 Spark 的完全新手,并且刚刚开始对此进行更多探索。我选择了更长的路径,不使用任何 CDH 发行版安装 hadoop,并且我从 Apache 网站安装了 Hadoop 并自己设置配置文件以了解
TL; 博士 Spark UI 显示的内核和内存数量与我在使用 spark-submit 时要求的数量不同 更多细节: 我在独立模式下运行 Spark 1.6。 当我运行 spark-submit 时
spark-submit 上的文档说明如下: The spark-submit script in Spark’s bin directory is used to launch applicatio
关闭。这个问题是opinion-based .它目前不接受答案。 想改善这个问题吗?更新问题,以便可以通过 editing this post 用事实和引文回答问题. 6 个月前关闭。 Improve
我想了解接收器如何在 Spark Streaming 中工作。根据我的理解,将有一个接收器任务在执行器中运行,用于收集数据并保存为 RDD。当调用 start() 时,接收器开始读取。需要澄清以下内容
有没有办法在不同线程中使用相同的 spark 上下文并行运行多个 spark 作业? 我尝试使用 Vertx 3,但看起来每个作业都在排队并按顺序启动。 如何让它在相同的 spark 上下文中同时运行
我们有一个 Spark 流应用程序,这是一项长期运行的任务。事件日志指向 hdfs 位置 hdfs://spark-history,当我们开始流式传输应用程序时正在其中创建 application_X
我们正在尝试找到一种加载 Spark (2.x) ML 训练模型的方法,以便根据请求(通过 REST 接口(interface))我们可以查询它并获得预测,例如http://predictor.com
Spark newb 问题:我在 spark-sql 中进行完全相同的 Spark SQL 查询并在 spark-shell . spark-shell版本大约需要 10 秒,而 spark-sql版
我正在使用 Spark 流。根据 Spark 编程指南(参见 http://spark.apache.org/docs/latest/programming-guide.html#accumulato
我正在使用 CDH 5.2。我可以使用 spark-shell 运行命令。 如何运行包含spark命令的文件(file.spark)。 有没有办法在不使用 sbt 的情况下在 CDH 5.2 中运行/
我使用 Elasticsearch 已经有一段时间了,但使用 Cassandra 的经验很少。 现在,我有一个项目想要使用 Spark 来处理数据,但我需要决定是否应该使用 Cassandra 还是
我是一名优秀的程序员,十分优秀!