Spark如何决定如何划分RDD？

Question

假设我创建了这样一个RDD（我使用的是Pyspark）：

list_rdd = sc.parallelize(xrange(0, 20, 2), 6)

然后我用glom（）方法打印分区元素并获得

[[0], [2, 4], [6, 8], [10], [12, 14], [16, 18]]

Spark是如何决定如何划分我的列表的？元素的特定选择来自哪里？它可以以不同的方式耦合它们，只留下0和10以外的一些其他元素，以创建6个请求的分区。在第二次运行中，分区是相同的。

使用更大的范围，有29个元素，我得到2个元素后跟3个元素的模式的分区：

list_rdd = sc.parallelize(xrange(0, 30, 2), 6)
[[0, 2], [4, 6, 8], [10, 12], [14, 16, 18], [20, 22], [24, 26, 28]]

使用更小范围的9个元素，我得到

list_rdd = sc.parallelize(xrange(0, 10, 2), 6)
[[], [0], [2], [4], [6], [8]]

因此，我推断Spark是通过将列表拆分为一个配置来生成分区的，其中尽可能小的集合后面跟着更大的集合，并重复。

问题是，这个选择背后是否有一个原因，它非常优雅，但它是否也提供了性能优势？

Answer 1

除非您指定特定的分区程序，否则这是“随机的”，因为它取决于该RDD的特定实现。在这种情况下，您可以前往ParallelCollectionsRDD进一步深入研究它。

getPartitions 定义为：

val slices = ParallelCollectionRDD.slice(data, numSlices).toArray
slices.indices.map(i => new ParallelCollectionPartition(id, i, slices(i))).toArray

其中切片被注释为（重新格式化以更适合）：

/**
* Slice a collection into numSlices sub-collections. 
* One extra thing we do here is to treat Range collections specially, 
* encoding the slices as other Ranges to minimize memory cost. 
* This makes it efficient to run Spark over RDDs representing large sets of numbers. 
* And if the collection is an inclusive Range, 
* we use inclusive range for the last slice.
*/

请注意，有一些关于内存的注意事项。因此，同样，这将特定于实现。