我正在运行一种迭代算法,在每次迭代中,每个值的列表都被分配一组键(1到N)。随着时间的推移,文件在键上的分布会变得不对称。我注意到经过几次迭代,合并阶段,似乎RDD的最后几个分区上的事情似乎开始非常缓慢。最后一个分区上的Spark转换非常缓慢
我的变换如下:
dataRDD_of_20000_partitions.aggregateByKey(zeroOp)(seqOp, mergeOp)
.mapValues(...)
.coalesce(1000, true)
.collect()
这里,在我以前分配的键aggregatebykey聚集体(1到N)。我可以合并分区,因为我知道我需要的分区数量,并将coalesce shuffle设置为true以平衡分区。
任何人都可以指出一些原因,这些转换可能导致RDD的最后几个分区处理缓慢?我想知道这是否与数据偏斜有关。