根据 Spark 文档，只有 RDD 操作可以触发 Spark 作业，并且在对其调用操作时会延迟评估转换。
我看到sortBy转换功能立即应用，它在 SparkUI 中显示为作业触发器。为什么？
问问题
2607 次
2 回答
14
sortBy使用sortByKey依赖于RangePartitioner（JVM）或分区函数（Python）来实现。当您调用sortBy/ sortByKeypartitioner（分区函数）时，会立即初始化并对输入 RDD 进行采样以计算分区边界。你看到的 Job 对应这个流程。
RDD仅当您对新创建的或其后代执行操作时，才会执行实际排序。
于 2016-12-30T23:13:51.297 回答
5
根据 Spark 文档，只有操作会触发 Spark 中的作业，当对其调用操作时，会延迟评估转换。
一般来说，您是对的，但正如您刚刚经历的那样，很少有例外，并且sortBy在其中（带有zipWithIndex）。
事实上，它已在 Spark 的 JIRA 中报告，并以 Won't Fix 解决方案关闭。请参阅SPARK-1021 sortByKey() 在不应该启动集群作业时。
您可以看到在DAGScheduler启用日志记录的情况下运行的作业（以及稍后在 Web UI 中）：
scala> sc.parallelize(0 to 8).sortBy(identity)
INFO DAGScheduler: Got job 1 (sortBy at <console>:25) with 8 output partitions
INFO DAGScheduler: Final stage: ResultStage 1 (sortBy at <console>:25)
INFO DAGScheduler: Parents of final stage: List()
INFO DAGScheduler: Missing parents: List()
DEBUG DAGScheduler: submitStage(ResultStage 1)
DEBUG DAGScheduler: missing: List()
INFO DAGScheduler: Submitting ResultStage 1 (MapPartitionsRDD[4] at sortBy at <console>:25), which has no missing parents
DEBUG DAGScheduler: submitMissingTasks(ResultStage 1)
INFO DAGScheduler: Submitting 8 missing tasks from ResultStage 1 (MapPartitionsRDD[4] at sortBy at <console>:25)
DEBUG DAGScheduler: New pending partitions: Set(0, 1, 5, 2, 6, 3, 7, 4)
INFO DAGScheduler: ResultStage 1 (sortBy at <console>:25) finished in 0.013 s
DEBUG DAGScheduler: After removal of stage 1, remaining stages = 0
INFO DAGScheduler: Job 1 finished: sortBy at <console>:25, took 0.019755 s
res1: org.apache.spark.rdd.RDD[Int] = MapPartitionsRDD[6] at sortBy at <console>:25
于 2016-12-31T10:51:44.047 回答