关于 spark 中的 partitions

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

› Apache Hadoop

› Hortonworks Sandbox

› Intel Hadoop Distribution

› Treasure Data

这是一个创建于 2564 天前的主题，其中的信息可能已经有所发展或是发生改变。

环境

hive
spark
hadoop

问题

In [7]: spark.sql('select time from userlogs where date = "2017-10-27"').rdd.getNumPartitions()
Out[7]: 164

In [8]: spark.sql('select time from userlogs where date = "2017-10-27" limit 100').rdd.getNumPartitions()
Out[8]: 1

为什么不加 limit 的 partition 是 164, 为什么加了 limit 的 partition 是 1. 我很费解.

还有就是 spark-sql 进行查询的时候的 partition 的数量是由什么决定的

4 条回复 • 2017-11-17 11:39:46 +08:00

imherer

2017-11-17 10:03:50 +08:00

我还以为是大疆😂

ihainan

2017-11-17 10:08:04 +08:00

Spark Core 熟悉点，Spark SQL 不熟就只能飘过了……

yunkchen

2017-11-17 10:12:48 +08:00

加了 limit，spark 就会尽量遍历少的 partition 来查找结果，从而尽快给出查询结果；
一次操作生成一个 RDD，而一个 RDD 可以分为多个 partitions，从而分布在多台机器上。

kex0916

2017-11-17 11:39:46 +08:00

对于 limit 操作，spark 的处理方式是对 RDD 的每个分区 take(limit),然后将每个分区 take 后的 RDD 转换成 SinglePartition 的 ShuffledRowRDD,然后再对每个分区 take(limit)，由于只有一个分区，因此结果就是最终的 limit 结果。
因此就明白为啥 limit 后 RDD 分区数量为 1 了。