apache-spark - 与 repartition() 一起使用时，Spark cache() 不起作用

Question

spark cache() 函数与 repartition() 一起使用时不会缓存数据帧。谁能解释为什么会这样？

编辑:

df.repartition(1000).cache()
df.count()

我试过在不同的行上做它们并且行得通。

编辑:

df2 = df1.repartition(1000)
df2.cache()
df2.count()

我希望数据帧被缓存，但我在 UI 的存储中看不到它

Answer 1

Dataframes 和 RDD 一样是不可变的，所以虽然你在 df 上调用 repartition，但你并没有将它分配给任何 DF，当前的 df 也不会改变。

df.repartition(1000).cache()
df.count()

以上一个行不通。

df.repartition(1000)
df.cache()
df.count()

对于上面的代码，如果您 checkin 存储，它不会显示缓存的 1000 个分区。存储会将缓存的分区显示为 df.rdd.getNumPartitions(不是 1000)。

所以试试这个。

val df1 = df.repartition(1000).cache()
df1.count()

这应该有效。