在Spark開發中，有時為了更好的效率，特別是涉及到關聯操作的時候，對資料進行重新分割槽操作可以提高程式執行效率（很多時候效率的提升遠遠高於重新分割槽的消耗，所以進行重新分割槽還是很有價值的）。
在SparkSQL中，對資料重新分割槽主要有兩個方法 repartition 和 coalesce ，下面將對兩個方法比較

repartition

 repartition 有三個過載的函式：

• def repartition(numPartitions: Int): DataFrame 

1 /**
2    * Returns a new [[DataFrame]] that has exactly `numPartitions` partitions.
 
3    * @group dfops
4    * @since 1.3.0
5    */
6   def repartition(numPartitions: Int): DataFrame = withPlan {
7     Repartition(numPartitions, shuffle = true, logicalPlan)
8   }

  此方法返回一個新的[[DataFrame]]，該[[DataFrame]]具有確切的 'numpartition' 分割槽。

•  def repartition(partitionExprs: Column*): DataFrame 

 1 /**
 2    * Returns a new [[DataFrame]] partitioned by the given partitioning expressions preserving
 3    * the existing number of partitions. The resulting DataFrame is hash partitioned.
 4    *
 5    * This is the same operation as "DISTRIBUTE BY" in SQL (Hive QL).
 6    *
 7    * @group dfops
 
 8    * @since 1.6.0
 9    */
10   @scala.annotation.varargs
11   def repartition(partitionExprs: Column*): DataFrame = withPlan {
12     RepartitionByExpression(partitionExprs.map(_.expr), logicalPlan, numPartitions = None)
13   }

 此方法返回一個新的[[DataFrame]]分割槽，它由保留現有分割槽數量的給定分割槽表示式劃分。得到的DataFrame是雜湊分割槽的。

這與SQL (Hive QL)中的“distribution BY”操作相同。

• def repartition(numPartitions: Int, partitionExprs: Column*): DataFrame

 1   /**
 2    * Returns a new [[DataFrame]] partitioned by the given partitioning expressions into
 3    * `numPartitions`. The resulting DataFrame is hash partitioned.
 4    *
 5    * This is the same operation as "DISTRIBUTE BY" in SQL (Hive QL).
 6    *
 7    * @group dfops
 8    * @since 1.6.0
 9    */
10   @scala.annotation.varargs
11   def repartition(numPartitions: Int, partitionExprs: Column*): DataFrame = withPlan {
12     RepartitionByExpression(partitionExprs.map(_.expr), logicalPlan, Some(numPartitions))
13   }

 此方法返回一個新的[[DataFrame]]，由給定的分割槽表示式劃分為 'numpartition' 。得到的DataFrame是雜湊分割槽的。

這與SQL (Hive QL)中的“distribution BY”操作相同。

coalesce

• coalesce(numPartitions: Int): DataFrame

 1   /**
 2    * Returns a new [[DataFrame]] that has exactly `numPartitions` partitions.
 3    * Similar to coalesce defined on an [[RDD]], this operation results in a narrow dependency, e.g.
 4    * if you go from 1000 partitions to 100 partitions, there will not be a shuffle, instead each of
 5    * the 100 new partitions will claim 10 of the current partitions.
 6    * @group rdd
 7    * @since 1.4.0
 8    */
 9   def coalesce(numPartitions: Int): DataFrame = withPlan {
10     Repartition(numPartitions, shuffle = false, logicalPlan)
11   }

 返回一個新的[[DataFrame]]，該[[DataFrame]]具有確切的 'numpartition' 分割槽。類似於在[[RDD]]上定義的coalesce，這種操作會導致一個狹窄的依賴關係，例如：

如果從1000個分割槽到100個分割槽，就不會出現shuffle，而是100個新分割槽中的每一個都會宣告10個當前分割槽。

反過來從100個分割槽到1000個分割槽，將會出現shuffle。

 注：coalesce(numPartitions: Int): DataFrame    和 repartition(numPartitions: Int): DataFrame 底層呼叫的都是 class Repartition(numPartitions: Int, shuffle: Boolean, child: LogicalPlan)

 1 /**
 2  * Returns a new RDD that has exactly `numPartitions` partitions. Differs from
 3  * [[RepartitionByExpression]] as this method is called directly by DataFrame's, because the user
 4  * asked for `coalesce` or `repartition`. [[RepartitionByExpression]] is used when the consumer
 5  * of the output requires some specific ordering or distribution of the data.
 6  */
 7 case class Repartition(numPartitions: Int, shuffle: Boolean, child: LogicalPlan)
 8   extends UnaryNode {
 9   override def output: Seq[Attribute] = child.output
10 }

返回一個新的RDD，該RDD恰好具有“numpartition”分割槽。與[[RepartitionByExpression]]不同的是，這個方法直接由DataFrame呼叫，因為使用者需要' coalesce '或' repartition '。

當輸出的使用者需要特定的資料排序或分佈時使用[[RepartitionByExpression]]。（原始碼裡面說的是RDD，但是返回型別寫的是DataFrame，感覺沒差）。

而repartition(partitionExprs: Column*): DataFrame 和repartition(numPartitions: Int, partitionExprs: Column*): DataFrame 底層呼叫是 

class RepartitionByExpression(partitionExpressions:Seq[Expression],child:LogicalPlan,numPartitions:Option[Int]=None) extends RedistributeData 

 1 /**
 2  * This method repartitions data using [[Expression]]s into `numPartitions`, and receives
 3  * information about the number of partitions during execution. Used when a specific ordering or
 4  * distribution is expected by the consumer of the query result. Use [[Repartition]] for RDD-like
 5  * `coalesce` and `repartition`.
 6  * If `numPartitions` is not specified, the number of partitions will be the number set by
 7  * `spark.sql.shuffle.partitions`.
 8  */
 9 case class RepartitionByExpression(
10     partitionExpressions: Seq[Expression],
11     child: LogicalPlan,
12     numPartitions: Option[Int] = None) extends RedistributeData {
13   numPartitions match {
14     case Some(n) => require(n > 0, "numPartitions must be greater than 0.")
15     case None => // Ok
16   }
17 } 

該方法使用[[Expression]]將資料重新劃分為 'numpartition'，並在執行期間接收關於分割槽數量的資訊。當用戶期望某個特定的排序或分佈時使用。使用[[Repartition]]用於類rdd的 'coalesce' 和 'Repartition'。

如果沒有指定 'numpartition'，那麼分割槽的數量將由 "spark.sql.shuffle.partition" 設定。

使用示例

• def repartition(numPartitions: Int): DataFrame  

1 //    獲取一個測試的DataFrame 裡面包含一個user欄位
2     val testDataFrame: DataFrame = readMysqlTable(sqlContext, "MYSQLTABLE", proPath)
3 //    獲得10個分割槽的DataFrame
4     testDataFrame.repartition(10) 

•  def repartition(partitionExprs: Column*): DataFrame  

1 //    獲取一個測試的DataFrame 裡面包含一個user欄位
2     val testDataFrame: DataFrame = readMysqlTable(sqlContext, "MYSQLTABLE", proPath)
3 //    根據 user 欄位進行分割槽，分割槽數量由 spark.sql.shuffle.partition 決定
4     testDataFrame.repartition($"user")

• def repartition(numPartitions: Int, partitionExprs: Column*): DataFrame 

1 //    獲取一個測試的DataFrame 裡面包含一個user欄位
2     val testDataFrame: DataFrame = readMysqlTable(sqlContext, "MYSQLTABLE", proPath)
3 //    根據 user 欄位進行分割槽，將獲得10個分割槽的DataFrame，此方法有時候在join的時候可以極大的提高效率，但是得注意出現數據傾斜的問題
4     testDataFrame.repartition(10,$"user") 

• coalesce(numPartitions: Int): DataFrame 

1 val testDataFrame1: DataFrame = readMysqlTable(sqlContext, "MYSQLTABLE", proPath)
2     val testDataFrame2=testDataFrame1.repartition(10)
3 //    不會觸發shuffle
4     testDataFrame2.coalesce(5)
5 //    觸發shuffle 返回一個100分割槽的DataFrame
6     testDataFrame2.coalesce(100)  

至於分割槽的資料設定，得根據自己的實際情況來，多了浪費少了負優化。

現在的知識出不得探討，具體的底層程式碼實現，後續去研究一下。

此文為本人工作學習整理筆記，轉載請註明出處！！！！！！