如果您想要一个小的示例子集，那么就不能对数据进行任何额外的假设 take 结合 parallelize 可能是最佳解决方案：

sc.parallelize(rdd.take(n))

它将触及相对较少的分区（在最佳情况下只有一个分区），并且对于较小的n，网络通信量的成本应该可以忽略不计。
取样( randomSplit 或者 sample )将需要与相同的完整数据扫描 zipWithIndex 与 filter .
假设没有数据倾斜，您可以尝试这样的方法来解决：

from __future__ import division  # Python 2 only

def limitApprox(rdd, n, timeout):
    count = rdd.countApprox(timeout)
    if count <= n:
        return rdd
    else:
        rec_per_part = count // rdd.getNumPartitions()
        required_parts = n / rec_per_part if rec_per_part else 1
        return rdd.mapPartitionsWithIndex(
            lambda i, iter: iter if i < required_parts else []
        )

这仍将访问每个分区，但如果不需要，将尽量避免计算内容
如果存在大数据倾斜，则无法工作
如果分布是均匀的，则所需的时间可能远远超过所需时间，但n<<超过每个分区的平均记录数。
如果分布向高指数倾斜，则可能样本不足。
如果数据可以表示为 Row 你可以尝试另一个技巧：

rdd.toDF().limit(n).rdd