Spark SQL 查询中 Coalesce 和 Repartition 暗示（Hint）

如果你使用 Spark RDD 或者 DataFrame 编写程序，我们可以通过 coalesce或 repartition 来修改程序的并行度：

val data = sc.newAPIHadoopFile(xxx).coalesce(2).map(xxxx) 或 val data = sc.newAPIHadoopFile(xxx).repartition(2).map(xxxx)   val df = spark.read.json("/user/iteblog/json").repartition(4).map(xxxx) val df = spark.read.json("/user/iteblog/json").coalesce(4).map(xxxx)

通过 coalesce 或 repartition 函数我们一方面可以减少 Task 数据从未达到减少作业输出文件的数量；同时我们也可以加大并行度从而提高程序的运行效率。

我们现在越来越多的人使用 Spark SQL 来编写程序，可是在 Spark 2.4 之前，我们是不能直接在 SQL 里面使用 coalesce 或 repartition的。值得高兴的是，国内的开发者为 Spark SQL 开发了一个功能，使得我们在 Spark SQL 里面也能用这两个函数，详见 SPARK-24940。这个功能在 Spark 2.4 已经发布了，这样我们可以通过 COALESCE 或 REPARTITION 关键字暗示来设置程序的并行度。使用如下：

package com.iteblog   import java.util.UUID   import org.apache.spark.sql.SparkSession   object Iteblog {     case class Person(name: String, age: Int)     def main(args: Array[String]) {       val spark = SparkSession       .builder()       .appName("iteblog example")       .master("local[2]")       .enableHiveSupport()       .getOrCreate()       // For implicit conversions like converting RDDs to DataFrames     import spark.implicits._       val person = 1.to(10000).map { i =>       Person(UUID.randomUUID().toString.substring(1, 6), i % 100)     }       val df = spark.sparkContext.parallelize(person,2).toDF()     df.createOrReplaceTempView("person")     spark.sql("create table iteblog0 as select age,count(*) from person where age between 10 and 20 group by age").explain()   } }

上面程序的物理计划如下：

== Physical Plan == Execute CreateHiveTableAsSelectCommand CreateHiveTableAsSelectCommand [Database:default}, TableName: iteblog0, InsertIntoHiveTable] +- *(2) HashAggregate(keys=[age#4], functions=[count(1)])    +- Exchange hashpartitioning(age#4, 200)       +- *(1) HashAggregate(keys=[age#4], functions=[partial_count(1)])          +- *(1) Project [age#4]             +- *(1) Filter ((age#4 >= 10) && (age#4 <= 20))                +- *(1) SerializeFromObject [staticinvoke(class org.apache.spark.unsafe.types.UTF8String, StringType, fromString, assertnotnull(input[0, qwe.App$Person, true]).name, true, false) AS name#3, assertnotnull(input[0, qwe.App$Person, true]).age AS age#4]                   +- Scan[obj#2]

如果我们加上 REPARTITION 关键字暗示，如下：

spark.sql("create table iteblog1 as select /*+ REPARTITION(4) */ age,count(*) from person where age between 10 and 20 group by age").explain()

则物理计划变成下面的

== Physical Plan == Execute CreateHiveTableAsSelectCommand CreateHiveTableAsSelectCommand [Database:default}, TableName: iteblog1, InsertIntoHiveTable] +- Exchange RoundRobinPartitioning(4)    +- *(2) HashAggregate(keys=[age#4], functions=[count(1)])       +- Exchange hashpartitioning(age#4, 200)          +- *(1) HashAggregate(keys=[age#4], functions=[partial_count(1)])             +- *(1) Project [age#4]                +- *(1) Filter ((age#4 >= 10) && (age#4 <= 20))                   +- *(1) SerializeFromObject [staticinvoke(class org.apache.spark.unsafe.types.UTF8String, StringType, fromString, assertnotnull(input[0, qwe.App$Person, true]).name, true, false) AS name#3, assertnotnull(input[0, qwe.App$Person, true]).age AS age#4]                      +- Scan[obj#2]

可以看到第四行多了 +- Exchange RoundRobinPartitioning(4)，其他的不变。通过指定 coalesce 或 repartition 暗示，我们就可以在 Spark SQL 里面指定并行度。

注意，如果你使用 Spark 2.4 以下版本，在 Spark SQL 里面加入 /*+ REPARTITION(4) */ 暗示，语句也不会运行错误，只不过并不会修改如何并行度相关属性而已。