Spark RDD的默认分区数：（spark 2.1.0）

Posted 2021-01-30 harvey888

本文基于Spark 2.1.0版本

新手首先要明白几个配置：

spark.default.parallelism：（默认的并发数）

    如果配置文件spark-default.conf中没有显示的配置，则按照如下规则取值：

    本地模式（不会启动executor，由SparkSubmit进程生成指定数量的线程数来并发）：

    spark-shell                              spark.default.parallelism = 1

    spark-shell --master local[N] spark.default.parallelism = N （使用N个核）

    spark-shell --master local      spark.default.parallelism = 1

    伪集群模式（x为本机上启动的executor数，y为每个executor使用的core数，

z为每个 executor使用的内存）

     spark-shell --master local-cluster[x,y,z] spark.default.parallelism = x * y

     mesos 细粒度模式

     Mesos fine grained mode  spark.default.parallelism = 8

    其他模式（这里主要指yarn模式，当然standalone也是如此）

    Others: total number of cores on all executor nodes or 2, whichever is larger

    spark.default.parallelism =  max（所有executor使用的core总数， 2）

经过上面的规则，就能确定了spark.default.parallelism的默认值（前提是配置文件spark-default.conf中没有显示的配置，如果配置了，则spark.default.parallelism = 配置的值）

还有一个配置比较重要，spark.files.maxPartitionBytes = 128 M（默认）

The maximum number of bytes to pack into a single partition when reading files.

代表着rdd的一个分区能存放数据的最大字节数，如果一个400m的文件，只分了两个区，则在action时会发生错误。

当一个spark应用程序执行时，生成spark.context，同时会生成两个参数，由上面得到的spark.default.parallelism推导出这两个参数的值

sc.defaultParallelism     = spark.default.parallelism

sc.defaultMinPartitions = min(spark.default.parallelism,2)

当sc.defaultParallelism和sc.defaultMinPartitions最终确认后，就可以推算rdd的分区数了。

有两种产生rdd的方式：

1，通过scala 集合方式parallelize生成rdd，

如， val rdd = sc.parallelize(1 to 10)

这种方式下，如果在parallelize操作时没有指定分区数，则

rdd的分区数 = sc.defaultParallelism

2，通过textFile方式生成的rdd，

如， val rdd = sc.textFile(“path/file”)

有两种情况：

a，从本地文件file:///生成的rdd，操作时如果没有指定分区数，则默认分区数规则为：

（按照官网的描述，本地file的分片规则，应该按照hdfs的block大小划分，但实测的结果是固定按照32M来分片，可能是bug，不过不影响使用，因为spark能用所有hadoop接口支持的存储系统，所以spark textFile使用hadoop接口访问本地文件时和访问hdfs还是有区别的）

rdd的分区数 = max（本地file的分片数， sc.defaultMinPartitions）

b，从hdfs分布式文件系统hdfs://生成的rdd，操作时如果没有指定分区数，则默认分区数规则为：

rdd的分区数 = max（hdfs文件的block数目， sc.defaultMinPartitions）

补充：

1，如果使用如下方式，从HBase的数据表转换为RDD，则该RDD的分区数为该Table的region数。

String tableName ="pic_test2";

conf.set(TableInputFormat.INPUT_TABLE,tableName);

conf.set(TableInputFormat.SCAN,convertScanToString(scan));

JavaPairRDD hBaseRDD = sc.newAPIHadoopRDD(conf,

TableInputFormat.class,ImmutableBytesWritable.class,

Result.class);

Hbase Table:pic_test2的region为10，则hBaseRDD的分区数也为10。

2，如果使用如下方式，通过获取json（或者parquet等等）文件转换为DataFrame，则该DataFrame的分区数和该文件在文件系统中存放的Block数量对应。

Dataset<Row> df = spark.read().json("examples/src/main/resources/people.json");

people.json大小为300M，在HDFS中占用了2个blocks，则该DataFrame df分区数为2。

3，Spark Streaming获取Kafka消息对应的分区数，不在本文讨论。

作者：俺是亮哥
链接：https://www.jianshu.com/p/4b7d07e754fa
來源：简书
简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。