apache-spark - Spark - sortWithInPartitions 排序

Question

下面是代表员工 in_date 和 out_date 的示例数据集。
我必须获得所有员工的最后一个 in_time。
Spark 在 4 Node 独立集群上运行。
初始数据集:
EmployeeID----in_date----out_date

1111111     2017-04-20  2017-09-14 
1111111     2017-11-02  null 
2222222     2017-09-26  2017-09-26 
2222222     2017-11-28  null 
3333333     2016-01-07  2016-01-20 
3333333     2017-10-25  null 

df.sort(col(in_date).desc()) 之后的数据集:
EmployeeID--in_date-----out_date

1111111   2017-11-02   null 
1111111   2017-04-20   2017-09-14 
2222222   2017-09-26   2017-09-26 
2222222   2017-11-28   null 
3333333   2017-10-25   null 
3333333   2016-01-07   2016-01-20 

df.dropDup(EmployeeID):  

输出 :
EmployeeID----in_date----out_date

1111111    2017-11-02    null 
2222222    2017-09-26    2017-09-26 
3333333    2016-01-07    2016-01-20 

预期数据集:
EmployeeID----in_date----out_date

1111111    2017-11-02   null 
2222222    2017-11-28   null 
3333333    2017-10-25   null 

但是当我用 sortWithInPartitions 对初始数据集进行排序时并删除了我得到了预期的数据集。
我在这里错过了什么大或小吗？任何帮助表示赞赏。
附加信息 :
在本地模式下使用 Spark 执行 df.sort 时，实现了上述预期输出。
我没有做过任何类型的分区，重新分区。
初始数据集来自底层 Cassandra 数据库。

Answer 1

TL;博士 除非明确保证，否则您永远不应假设 Spark 中的操作将以任何特定顺序执行，尤其是在使用 Spark SQL 时。

你在这里缺少的是洗牌。 dropDuplicates实现相当于:

df.groupBy(idCols).agg(first(c) for c in nonIdCols)

这将被执行为:

部分(“ map 端”)聚合。

洗牌。

最终(“reduce-side”)聚合。

中间 shuffle 引入了不确定性，并且不能保证最终聚合将以任何特定顺序应用。

The above expected output was achieved when df.sort was executed with Spark in local mode.

local模式相当简单。在完全分布式模式下，您永远不应该使用它来得出有关 Spark 内部行为的结论。

when I sorted the Initial Dataset with sortWithInPartitions and deduped I got the expected dataset.

如果数据之前由 EmployeeID 分区，这将是有意义的。 .在这种情况下，Spark 不需要额外的 shuffle。

根据描述，您似乎应该使用 How to select the first row of each group? 中所示的解决方案之一。 .