时间戳

首页 > 解决方案 > Spark - 节点上 RDD 的相等分区

python - Spark - 节点上 RDD 的相等分区

问题描述

我有一个有 4 个节点的架构和一个有 4000 行的 RDD，我需要在节点上平均地重新分区这个 RDD。结果应该是：

node 1 -> 1000 rows
node 2 -> 1000 rows
node 3 -> 1000 rows
node 4 -> 1000 rows.

我怎样才能在 Python 中做到这一点？

标签： pythonapache-sparkpysparkrddpartitioning

解决方案

我尝试使用您已经在使用的 pyspark 来实施 @sramalingam24 已经提出的解决方案。

from collections import Counter

data = [(i,j) for i,j in zip([i/1000 for i in range(0, 4000, 1)], range(500, 4500, 1))]
rdd = sc.parallelize(data).map(lambda x : (x[0], x[1]))
df = sqlContext.createDataFrame(rdd, ['key', 'values'])
df = df.repartition('key')

检查结果：

Counter(df.select(spark_partition_id()).collect())
Out[*]: Counter({Row(SPARK_PARTITION_ID()=5): 1000, Row(SPARK_PARTITION_ID()=128): 1000, Row(SPARK_PARTITION_ID()=107): 1000, Row(SPARK_PARTITION_ID()=69): 1000})

推荐阅读