SPARK：了解合并方法？

Question

我正在尝试了解 spark 中的 coalesce 方法。我有一个JavaRDD<String>（由 16310 个字符串组成），我想将它保存在 233 个文件中。（一个文件有 70 个字符串）首先，我尝试了trainDataFeatures.repartition(233).saveAsTextFile(outputPathTrainFeatures);这很好用，但我不想洗牌我的数据。所以我尝试了：trainDataFeatures.coalesce(233, false).saveAsTextFile(outputPathTrainFeatures);在这里我只有 4 个输出文件。没有洗牌，但只有 4 个！！！这真的很烦人。也许有人可以帮我解决这个问题。

Answer 1

我认为这就是重点，也是coalesce和之间最大的区别repartition。

Repartition 会对数据进行全面洗牌，以便能够创建这些额外的分区。Coalesce 在现有分区之间移动数据并避免创建新分区并避免完整的数据混洗。

基本上，coalesce 不会为您创建额外的分区这一事实是 coalesce 的一个特性。

与重新分区相同——由于完整的数据洗牌，它能够以高效的方式工作。您可能不关心性能，只想增加分区数量而不进行洗牌 - 好吧，之前有人有过这个想法，这个问题在这里仍然悬而未决。