在pyspark中的列上重新分区如何影响分区数量？

Question

我有一个具有一百万条记录的数据框。 看起来像这样-

df.show()

+--------------------+--------------------++-------------
|            feature1|            feature2| domain    |
+--------------------+--------------------++-------------
|[2.23668528E8, 1....|[2.23668528E8, 1....| domain1   | 
|[2.23668528E8, 1....|[2.23668528E8, 1....| domain2   |
|[2.23668528E8, 1....|[2.23668528E8, 1....| domain1   |
|[2.23668528E8, 1....|[2.23668528E8, 1....| domain2   |
|[2.23668528E8, 1....|[2.23668528E8, 1....| domain1   |

理想的分区大小为128 MB，假设domain列具有两个唯一值（domain1和domain2），考虑到这一点，我有两个问题-

1. 如果我执行df.repartition("domain") ，并且一个分区不能容纳特定域密钥的所有数据，那么应用程序会失败还是会根据数据自动创建合适的分区？

2. 假设在上面的数据中已经基于域密钥进行了重新分区，所以将存在两个分区（唯一的密钥是domain1和domain2）。 现在，假设domain1和domain2重复了1000000次，我将基于该域进行自联接。 因此，对于每个域，我将获得大约10 ^ 12条记录。 考虑到我们有两个分区，并且在连接期间分区的数量没有变化，两个新分区是否能够处理1000000条记录？

Answer 1

答案取决于数据的大小。 当一个分区不能保存属于一个分区值的所有数据（例如domain1 ）时，将创建更多分区，最多spark.sql.shuffle.partitions个分区。 如果您的数据太大，即一个分区将超过2GB的限制（有关说明，另请参见为什么Spark RDD分区HDFS的限制为2GB？ ），重新分区将导致OutOfMemoryError 。
正如提供完整答案的旁注所示：能够将数据放入一个分区不一定意味着一个分区值只生成一个分区。 除其他因素外，这取决于执行程序的数量以及之前如何对数据进行分区。 Spark将尝试避免不必要的改组，因此可能会为一个分区值生成多个分区。

因此，为防止作业失败，您应该调整spark.sql.shuffle.partitions或将所需数量的分区与partition列一起进行repartition分区。