repartition（1）は常に注文を維持していますか？

Question

同じパーティションがあるかもしれないし、そうでないかもしれない2つのrddを圧縮する必要があるので、再パーティション化の方法を探します。私はジッパーをしながら注文を維持する必要があり、私は一般的に再分割シャッフルを知っています。しかし、以下のコードはrepartiton（1）がrddをシャッフルしていないことを示しています。今の時だけですか、毎回保証することができますか？

再分割（1）は.collectと似ていますが、どちらもrddを単一ノードにするためですか？あなたが実際​​3210方法のジョブを実行している低い値できrepartition（1パーティションの最小可能数）

scala> var k = sc.parallelize((1 to 100),4) 
k: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[0] at parallelize at <console>:27 

scala> k.repartition(2) 
res0: org.apache.spark.rdd.RDD[Int] = MapPartitionsRDD[4] at repartition at <console>:30 

scala> res0.collect 
res1: Array[Int] = Array(1, 3, 5, 7, 9, 11, 13, 15, 17, 19, 21, 23, 25, 26, 28, 30, 32, 34, 36, 38, 40, 42, 44, 46, 48, 50, 51, 53, 55, 57, 59, 61, 63, 65, 67, 69, 71, 73, 75, 76, 78, 80, 82, 84, 86, 88, 90, 92, 94, 96, 98, 100, 2, 4, 6, 8, 10, 12, 14, 16, 18, 20, 22, 24, 27, 29, 31, 33, 35, 37, 39, 41, 43, 45, 47, 49, 52, 54, 56, 58, 60, 62, 64, 66, 68, 70, 72, 74, 77, 79, 81, 83, 85, 87, 89, 91, 93, 95, 97, 99) 


scala> var l = sc.parallelize((1 to 100),4) 
l: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[11] at parallelize at <console>:27 

scala> l.repartition(1) 
res5: org.apache.spark.rdd.RDD[Int] = MapPartitionsRDD[15] at repartition at <console>:30 

scala> .collect 
res6: Array[Int] = Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99, 100) 

Answer 1

。 repartition方法の

ドキュメンテーション文字列（および実装）は、私が与えることができる任意の応答より明確になります。

/** 
* Return a new RDD that has exactly numPartitions partitions. 
* 
* Can increase or decrease the level of parallelism in this RDD. Internally, this uses 
* a shuffle to redistribute data. 
* 
* If you are decreasing the number of partitions in this RDD, consider using `coalesce`, 
* which can avoid performing a shuffle. 
*/ 
def repartition(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T] = withScope { 
    coalesce(numPartitions, shuffle = true) 
} 

しかし、あなたはzipに計画している場合、ビュンはとにかくシャッフルすることを検討してください。 実際にがパーティション化を制御したい場合は、手動でパーティションを再分割します（おそらく、PairRDDの場合はカスタムパーティショナーを使用します）。次に、パーティション化を維持することを指定するzipPartitionsを使用します。多くの場合

は、しかし、あなただけの次のzipデフォルトの実装、に固執することもできます。

/** 
* Zips this RDD with another one, returning key-value pairs with the first element in each RDD, 
* second element in each RDD, etc. Assumes that the two RDDs have the *same number of 
* partitions* and the *same number of elements in each partition* (e.g. one was made through 
* a map on the other). 
*/ 
def zip[U: ClassTag](other: RDD[U]): RDD[(T, U)] = withScope { 
    zipPartitions(other, preservesPartitioning = false) { (thisIter, otherIter) => 
    new Iterator[(T, U)] { 
     def hasNext: Boolean = (thisIter.hasNext, otherIter.hasNext) match { 
     case (true, true) => true 
     case (false, false) => false 
     case _ => throw new SparkException("Can only zip RDDs with " + 
      "same number of elements in each partition") 
     } 
     def next(): (T, U) = (thisIter.next(), otherIter.next()) 
    } 
    } 
} 

を見てわかるように、zipはすでに正確に何をしたいん。