Spark RDD 分区数详解

基础知识

spark.default.parallelism：（默认的并发数）= 2

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

1、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

2、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

3、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。

产生rdd的几种方式：

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：

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）

3、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。

4、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 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。

5、Spark Streaming获取Kafka消息对应的分区数

     a、基于Receiver接收数据

在Receiver的方式中，Spark中的partition和kafka中的partition并不是相关的，所以如果我们加大每个topic的partition数量，

仅仅是增加线程来处理由单一Receiver消费的主题。但是这并没有增加Spark在处理数据上的并行度。

     b、基于direct直连方式读取kafka数据

Spark会创建跟Kafka partition一样多的RDD partition，并且会并行从Kafka中读取数据。

所以在Kafka partition和RDD partition之间，有一个一对一的映射关系。