spark 读取 hdfs 数据分区规则

下文以读取 parquet 文件 / parquet hive table 为例：

hive metastore 和 parquet 转化的方式通过 spark.sql.hive.convertMetastoreParquet 控制，默认为 true。

如果设置为 true ，会使用 org.apache.spark.sql.execution.FileSourceScanExec ，否则会使用 org.apache.spark.sql.hive.execution.HiveTableScanExec。

FileSourceScanExec

前者对分区规则做了一些优化，如果 文件是：

1. 没有分桶的情况

   分区大小计算公式：

   bytesPerCore = totalBytes / defaultParallelism
   maxSplitBytes = Math.min(defaultMaxSplitBytes, Math.max(openCostInBytes, bytesPerCore))
   

   • defaultMaxSplitBytes：spark.sql.files.maxPartitionBytes，默认为128M，每个分区读取的最大数据量
   • openCostInBytes: spark.sql.files.openCostInBytes，默认为4M，小于这个大小的文件将会合并到一个分区，可以理解为每个分区的最小量，避免碎文件造成的大量碎片任务。
   • defaultParallelism: spark.default.parallelism，yarn默认为应用cores数量或2。
   • bytesPerCore：数据总大小 / defaultParallelism

   eg. 读入一份 2048M 大小的数据

   Tip: partitionSize的计算过程简化，实际上会先对读入的每个分区按maxSplitBytes做切割，切割完后如果的小文件如果大小不足maxSplitBytes的，会合并到一个partition，直到大小 > maxSplitBytes。

   //如果 spark.default.parallelism 设置为 1000，最终的分区数量是 512，每个分区大小为4M
   maxSplitBytes = Math.min(128M, Math.max(4M, 2M))
   partitionSize = 2048 / 4 = 512 
   
   //如果 spark.default.parallelism 设置为 100, 最终的分区数量是 100，每个分区大小为20.48M
   maxSplitBytes = Math.min(128M, Math.max(4M, 20.48M))
   partitionSize = 2048 / 20.48 = 100     
   
   //如果 spark.default.parallelism 设置为 10, 最终的分区数量是 16，每个分区大小为128M
   maxSplitBytes = Math.min(128M, Math.max(4M, 204.8M))
   partitionSize = 2048 / 128 = 16     
   

2. 分桶的情况下：

   分区数取决于桶的数量。

HiveTableScanExec

通过文件数量，大小进行分区。

eg. 读入一份 2048M 大小的数据，hdfs 块大小设置为 128M

1. 该目录有1000个小文件，则会生成1000个partition。
2. 如果只有1个文件，则会生成 16 个分区。
3. 如果有一个大文件1024M,其余 999 个文件共 1024M，则会生成 1009 个分区