J'ai deux RDD avec les mêmes clés et des valeurs différentes. Je demande aux deux d'entre eux la même .partitionBy(partitioner)
puis je les rejoindre:Pourquoi le même HashPartitioner appliqué sur deux RDD avec les mêmes clés ne partitionne pas également
val partitioner = new HashPartitioner(partitions = 4)
val a = spark.sparkContext.makeRDD(Seq(
(1, "A"), (2, "B"), (3, "C"), (4, "D"), (5, "E"), (6, "F"), (7, "G"), (8, "H")
)).partitionBy(partitioner)
val b = spark.sparkContext.makeRDD(Seq(
(1, "a"), (2, "b"), (3, "c"), (4, "d"), (5, "e"), (6, "f"), (7, "g"), (8, "h")
)).partitionBy(partitioner)
println("A:")
a.foreachPartition(p => {
p.foreach(t => print(t + " "))
println()
})
println("B:")
b.foreachPartition(p => {
p.foreach(t => print(t + " "))
println()
})
println("Join:")
a.join(b, partitioner)
.foreachPartition(p => {
p.foreach(t => print(t + " "))
println()
})
Je reçois:
A:
(2,B) (3,C) (4,D) (6,F) (7,G)
(8,H) (1,A)
(5,E)
B:
(3,c) (7,g)
(1,a) (5,e)
(2,b) (6,f)
(4,d) (8,h)
Join:
(6,(F,f)) (1,(A,a)) (2,(B,b)) (5,(E,e)) (4,(D,d)) (8,(H,h))
(3,(C,c)) (7,(G,g))
La première question est pourquoi les partitions A et B différents et pourquoi joinRDD est différent des deux?