Spark RDD的默认分区数：（spark 2.1.0）

文章转载自：简书-我是亮哥：

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：

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.mesos 细粒度模式

Mesos fine grained mode spark.default.parallelism = 8

4.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 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。