spark初学者想问一个关于数据混洗的问题
看网上说除了count之外的bykey操作能引发数据混洗，在combineByKey()方法中，说是每个分区单独操作所以要传一个mergeCombine操作，将不同分区中同一个键值合并。但是数据混洗的过程不就是将键值按照其哈希值进行分区，这样的话不就可以保证相同的键值在同一个分区了吗，为什么还要将不同分区的同一个键值进行合并呐～
不知道是不是我对数据混洗理解有误，跪求大神指教～
2019-04-16 16:46 已编辑 中国科学技术大学 算法工程师
关注
全部评论
turtlebin
门头沟学院 大数据开发工程师
简单来说，在shuffle过程中分为map阶段和reduce阶段，实际上map阶段会调用createCombiner方法和mergeValue方法对数据依据分区排序，但是此时数据并不实际移动，也就是说，在map阶段，不同map端可能存在相同的key，而若需要把不同map端相同的key聚合起来，就需要在reduce端使用mergeCombiner方法，而真正的数据移动是发生在reduce端，他会根据MapOutputTracker跟踪到map端的数据存储信息，并通过网络传输fetch数据，这时才真正发生数据的移动，才是真正的shuffle发生的时间点。
turtlebin
门头沟学院 大数据开发工程师
combineByKey方法实际上需要传递三个方法，createCombiner，mergeValue，mergeCombiner三个，其中createCombiner和mergeValue是在map端进行聚合的时候使用，Map端会在一个外部排序Map中对数据进行聚集，并对数据按照reduce端的分区进行排序。而你提到的mergeCombiner是在reduce端fetch到所有map端的block之后对各个map端中所有包含自身reduce分区的数据进行merge。个人见解，欢迎指正。
NowaCoder
阿里巴巴_阿里云_研发工程师
初学者来回答一下，我觉得他说的分区是来自不同map端的分区意思，你的分区是不同reduce端分区的意思
相关推荐
查看16道真题和解析 03-07 18:45
广州大学 Java 点赞 评论 收藏
分享