共同分区的 RDD 的加入是否会导致 Apache Spark 中的洗牌？答案

【问题标题】：Does a join of co-partitioned RDDs cause a shuffle in Apache Spark?共同分区的 RDD 的加入是否会导致 Apache Spark 中的洗牌？
【发布时间】：2015-04-08 08:13:45
【问题描述】：

如果rdd1 和rdd2 具有相同的分区器，rdd1.join(rdd2) 会导致洗牌吗？

【问题讨论】：

你能改写这个问题更清楚吗？仅仅因为 RDD 在同一台机器上有分区并不意味着所有的键总是在同一分区上。那你在问什么？
我已经完全重写了这个问题。我认为现在有道理，但我不确定这是@zwb 的意思。原来我真的没看懂。如有必要，请随时恢复我的编辑并更新问题。
谢谢，我来自中国，我的英语很差，我表达的不是很清楚，你重写的是我的感觉。

标签： apache-spark spark-streaming rdd

【解决方案1】：

没有。如果两个 RDD 有相同的分区器，join 不会引起洗牌。你可以在CoGroupedRDD.scala看到这个：

override def getDependencies: Seq[Dependency[_]] = {
  rdds.map { rdd: RDD[_ <: Product2[K, _]] =>
    if (rdd.partitioner == Some(part)) {
      logDebug("Adding one-to-one dependency with " + rdd)
      new OneToOneDependency(rdd)
    } else {
      logDebug("Adding shuffle dependency with " + rdd)
      new ShuffleDependency[K, Any, CoGroupCombiner](rdd, part, serializer)
    }
  }
}

但是请注意，没有随机播放并不意味着不必在节点之间移动任何数据。两个 RDD 可能具有相同的分区器（共同分区），但相应的分区位于不同的节点上（不位于同一位置）。

这种情况仍然比洗牌要好，但要记住这一点。托管可以提高性能，但很难保证。

【讨论】：

再次感谢，我基本上不明白，我会阅读源代码以获取更多信息。
后续问题：是否有任何利用共同分区的 Spark SQL 实现（包括不在主发行版中的单独项目）？
@DanielDarabos，当您说：没有随机播放并不意味着不必在节点之间移动数据时，性能方面的差异究竟是什么。如果我理解的很好，RDDs co-partitioned 具有位于不同节点上的相应分区，将导致其中一个 RDD 的所有分区被移动到另一个 RDD 的相应分区所在的节点，对吗？毕竟所有的数据移动都可以被认为是洗牌？
当然，如果你自己定义了“shuffle”的含义，你总是可以这样定义，这样当加入共同分区的 RDD 时发生的就是一个“shuffle”。但是这个词在Spark内部其实是有定义的，答案就用这个定义。加入共同分区的 RDD 时不会发生 shuffle。
重新分区是一个洗牌：所有执行者复制到所有其他执行者。重定位是一对一的依赖关系：每个 executor 最多只能从另一个 executor 复制。在你的情况下，你可以通过基准测试找到它的速度有多快。确保托管的一种方法是让两个 RDD 派生自一个共同的祖先。