scala - Apache Spark中的混洗与非混洗合并

Question

在将RDD写入文件之前立即执行以下转换时，它们之间有什么区别？

coalesce(1，shuffle = true)

coalesce(1，shuffle = false)

代码示例:

val input = sc.textFile(inputFile)
val filtered = input.filter(doSomeFiltering)
val mapped = filtered.map(doSomeMapping)

mapped.coalesce(1, shuffle = true).saveAsTextFile(outputFile)
vs
mapped.coalesce(1, shuffle = false).saveAsTextFile(outputFile)

以及它与collect()相比如何？我完全知道，Spark保存方法将以HDFS样式的结构存储它，但是我对collect()和改组/未改组/未改组的coalesce()的数据分区方面更感兴趣。

Answer 1

shuffle = true和shuffle = false不会在结果输出中产生任何实际差异，因为它们都将下降到单个分区。但是，将其设置为true时，将进行无用的随机播放。使用shuffle = true时，输出均匀地分布在各个分区之间(如果需要，您还可以增加分区的数量)，但是由于目标是1个分区，因此所有结果最终都将集中在一个分区中。

至于与collect()的比较，区别在于所有数据都存储在单个执行程序上，而不是存储在驱动程序上。