Spark RDD 中的 repartition 和 coalesce 是两种常用的分区调整算子的异同点

Spark RDD 中的 repartition 和 coalesce 是两种常用的分区调整算子，它们的功能是改变 RDD 的分区数量。以下从源码、原理和使用角度分析它们的异同点。

---

一、repartition 和 coalesce 的功能与区别

特性	repartition	coalesce
主要功能	调整 RDD 分区数量，可以增加或减少。	调整 RDD 分区数量，主要用于减少分区。
是否触发 Shuffle	一定会触发，生成新的分区数据分布。	在减少分区时默认不会触发 ，但可以选择触发 Shuffle（shuffle=true）。
是否增加分区	支持，增加分区会均匀分布数据（Shuffle）。	不推荐增加分区，分区数变多时需启用 Shuffle。
数据倾斜的影响	数据倾斜更低，分区较均匀。	不触发 Shuffle 时可能导致部分分区过大。
常见使用场景	动态增加或减少分区，用于优化性能或并行度。	减少分区，常用于窄依赖算子后优化下游性能。

---

二、实现原理

1. repartition 的源码分析

repartition 是通过调用 coalesce 并设置 shuffle = true 实现的，源码位于 RDD.scala：

def repartition(numPartitions: Int): RDD[T] = {
  coalesce(numPartitions, shuffle = true)
}

• 核心逻辑：
  • 一定会触发 Shuffle。
  • 利用 RangePartitioner 对数据重新分区。
  • 保证数据分布更均匀，适合在大规模数据集上动态调整分区。

---

2. coalesce 的源码分析

coalesce 的实现逻辑同样在 RDD.scala 中，具体如下：

def coalesce(numPartitions: Int, shuffle: Boolean = false): RDD[T] = {
  if (shuffle) {
    // 使用 Shuffle 重新分区
    new CoalescedRDD(this, numPartitions, shuffle = true)
  } else {
    // 不触发 Shuffle 时，合并分区（窄依赖）
    new CoalescedRDD(this, numPartitions, shuffle = false)
  }
}

• 核心逻辑：
  • 不触发 Shuffle： 直接通过父 RDD 的分区范围，重新分配分区数据（窄依赖），数据不移动。
  • 触发 Shuffle： 将数据重新分配到目标分区数，类似 repartition 的逻辑。
  • 如果 numPartitions 大于现有分区数，必须启用 Shuffle。

---

三、Shuffle 触发的影响

• Shuffle 的作用：

  • 数据从一个任务（分区）输出，写入磁盘或通过网络传输到其他任务（分区）。
  • 代价高：磁盘 I/O 和网络开销大，但能重新平衡数据分布。

• repartition 一定会触发 Shuffle：

  • 原因是其目的是将数据分布均匀到目标分区。

• coalesce 默认不触发 Shuffle：

  • 数据保持窄依赖，减少 Shuffle 开销。
  • 缺点：分区数据可能不均匀，造成下游任务性能问题。

---

四、举例说明

数据集

val rdd = sc.parallelize(1 to 100, 10)  // 创建一个有 10 个分区的 RDD

1. 使用 repartition 增加分区

val repartitionedRDD = rdd.repartition(20)
println(repartitionedRDD.getNumPartitions) // 输出：20

• 结果分析：
  • 数据通过 Shuffle 重新分布到 20 个分区中，分区内数据更均匀。
  • 适合用在需要增加并行度的场景。

---

2. 使用 coalesce 减少分区

val coalescedRDD = rdd.coalesce(5)
println(coalescedRDD.getNumPartitions) // 输出：5

• 结果分析：
  • 不触发 Shuffle，直接合并原有分区，数据可能集中在少数分区。
  • 适合用在窄依赖算子（如 filter）后减少分区，提高效率。

---

3. 使用 coalesce 增加分区（触发 Shuffle）

val shuffledRDD = rdd.coalesce(20, shuffle = true)
println(shuffledRDD.getNumPartitions) // 输出：20

• 结果分析：
  • 通过 Shuffle 扩展到 20 个分区，类似 repartition。
  • 不推荐用 coalesce 增加分区，使用 repartition 更直观。

---

五、优缺点总结

算子	优点	缺点
repartition	数据分布均匀，适合动态调整并行度。	一定会触发 Shuffle，开销较大。
coalesce	不触发 Shuffle 时性能高，适合减少分区的场景。	数据可能不均匀，依赖父 RDD 分区情况。

---

六、面试回答建议

1. 核心区别：

   • repartition 一定会触发 Shuffle，保证均匀分布，适合大数据量操作。
   • coalesce 默认不会触发 Shuffle，减少分区时更高效，但数据可能不均。

2. 适用场景：

   • 动态调整分区数时，优先考虑 repartition。
   • 过滤或聚合后减少分区时，优先考虑 coalesce。

3. 源码理解：

   • repartition 是对 coalesce 的封装，强制启用 Shuffle。
   • coalesce 可根据是否启用 Shuffle 实现不同分区策略。