总的来讲,两者 对是否允许shuffle 不同。
coalesce(numPartitions,shuffle=false)
repartition(numPartitions) //repartition 其实是 coalesce 中参数shuffle = true 的情况
ps: 重分区前 N 分区, 重分区后设置为 M个分区
如果,N < M, 即 一个父RDD 拆分为多个子RDD,父RDD指向多个 子RDD
那么这个时候 就一定要有shuffle,那么如果 设置shuffle 为 false, coalesce(numPartitions,shuffle=false),则无效。
目录:
一.区别
二.使用
三.总结
一.区别
repartition(numPartitions:Int):RDD[T]
coalesce(numPartitions:Int,shuffle:Boolean=false):RDD[T]
他们两个都是RDD的分区进行重新划分,repartition只是coalesce接口中shuffle为true的简易实现,(假设RDD有N个分区,需要重新划分成M个分区)
二.使用
1)N < M。一般情况下N个分区有数据分布不均匀的状况,利用HashPartitioner函数将数据重新分区为M个,这时需要将shuffle设置为true。
2)如果N > M并且N和M相差不多,(假如N是1000,M是100)那么就可以将N个分区中的若干个分区合并成一个新的分区,最终合并为M个分区,这时可以将shuff设置为false,在shuffl为false的情况下,如果M>N时,coalesce为无效的,不进行shuffle过程,父RDD和子RDD之间是窄依赖关系。
3)如果N>M并且两者相差悬殊,这时如果将shuffle设置为false,父子RDD是窄依赖关系,他们同处在一个Stage中,就可能造成spark程序的并行度不够,从而影响性能,如果在M为1的时候,为了使coalesce之前的操作有更好的并行度,可以讲shuffle设置为true。
三.总结
总之:如果shuff为false时,如果传入的参数大于现有的分区数目,RDD的分区数不变,也就是说不经过shuffle,是无法将RDDde分区数变多的