sortWithinPartitions 如何排序？

Question

将 sortWithinPartitions 应用于 df 并将输出写入 table 后，我得到了一个结果，我不确定如何解释。

df
.select($"type", $"id", $"time")
.sortWithinPartitions($"type", $"id", $"time")

结果文件有点像

它实际上不是随机的，但也不像我期望的那样排序。即，首先按类型，然后是 id，然后是时间。如果我尝试在排序之前使用重新分区，那么我会得到我想要的结果。但由于某种原因，文件重量增加了 5 倍（100gb 对 20gb）。

我正在写信给 hive orc table，压缩设置为 snappy。

有谁知道为什么这样排序以及为什么重新分区得到正确的顺序，但大小更大？

使用 spark 2.2.

Answer 1

sortWithinPartition 的文档指出

Returns a new Dataset with each partition sorted by the given expressions

想到此函数的最简单方法是想象用作主要排序标准的第四列（分区 ID）。函数 spark_partition_id() 打印分区。

例如，如果您只有一个大分区（这是您作为 Spark 用户永远不会做的事情！），sortWithinPartition 可以正常排序：

df.repartition(1)
  .sortWithinPartitions("type","id","time")
  .withColumn("partition", spark_partition_id())
  .show();

打印

+----+---+----+---------+
|type| id|time|partition|
+----+---+----+---------+
|   1|  a|   5|        0|
|   1|  a|   6|        0|
|   1|  a|   7|        0|
|   1|  a|   8|        0|
|   2|  b|   1|        0|
|   2|  b|   2|        0|
|   2|  b|   3|        0|
|   2|  b|   4|        0|
+----+---+----+---------+

如果有更多分区，结果只在每个分区内排序：

df.repartition(4)
  .sortWithinPartitions("type","id","time")
  .withColumn("partition", spark_partition_id())
  .show();

打印

+----+---+----+---------+
|type| id|time|partition|
+----+---+----+---------+
|   2|  b|   1|        0|
|   2|  b|   3|        0|
|   1|  a|   5|        1|
|   1|  a|   6|        1|
|   1|  a|   8|        2|
|   2|  b|   2|        2|
|   1|  a|   7|        3|
|   2|  b|   4|        3|
+----+---+----+---------+

为什么要使用 sortWithPartition 而不是 sort? sortWithPartition does not trigger a shuffle，因为数据仅在执行程序中移动。 sort 但是会触发随机播放。因此 sortWithPartition 执行得更快。如果数据按有意义的列进行分区，则在每个分区内排序可能就足够了。

sortWithinPartitions 如何排序？

how does sortWithinPartitions sort?

columnsorting

snappy

apache-spark

orc