apache-spark - Spark 如何跟踪 randomSplit 中的拆分？

Question

这个问题解释了 Spark 的随机拆分是如何工作的，How does Sparks RDD.randomSplit actually split the RDD ，但我不明白 spark 如何跟踪第一次拆分的值，以便那些相同的值不会进入第二次拆分。

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 DataFrame，它们共享相同的 sqlContext 和两个不同的 Sample(rs)。

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

数据是否被提取了两次？ (假设 sqlContext 正在从数据库中进行选择，是否执行了两次选择？)。

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 共享同一个随机数生成器(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。

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