圳鹏大数据：spark Rdd的默认分区

sparkRdd的默认分区有两大因素决定：

1.spark.default.parallelism
2.文件块的大小

spark.default.parallelism：（默认的并发数）

本地模式下spark.default.parallelism ：

spark-shell                             和spark-default.conf相关默认为4


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

伪集群模式下：

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

mesos 细粒度模式：

 Mesos fine grained mode  spark.default.parallelism = 8

Yarn模式stand模式：

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

影响默认分区的因素还有spark.files.maxPartitionBytes = 128 M，分区的数量必须（文件size/12M）

在不同的文件系统中默认分区方式计算方式如下:

从本地文件读取：

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

从hdfs分布式文件系统：

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

从HBase的数据表：

RDD的分区数为该Table的region数。

从kafka:
待续。。。。

引用自：https://www.jianshu.com/p/4b7d07e754fa