spark RDD中的partition和hdfs中的block的关系

        hdfs是一款非常优秀的分布式文件系统。hdfs为主从架构，主节点为NameNode，主节点负责配合journalNode等完成fsimge完整性。从节点为DataNode，从节点负责存储数据。节点之间通信。。。好吧跑题了！

        hdfs文件是分布式存储，每个文件根据配置被切分成block(hadoop2.x默认128M)。为了达到容错的目的，根据配置每个block块存放N个副本，官方推荐正常情况下保留3个副本就可以（同一个机架存两份，另一个机架再存一份）。当然，如果你的集群节点不太稳定，可以适当增加副本个数。

         多副本机制除了能达到容错目的，也为计算本地行提供了便捷。当指定数据副本所在节点计算资源不充足时，多副本机制可以不用迁移数据，直接在另一个副本所在几点计算即可。小A同学提问：如果所有副本所在节点，计算资源都紧张怎么办？好吧，老师承认你这个问题很好。如果所有副本所在节点的计算资源都紧张，yarn的 任务分发机制根据配置等待一会。当等待时长超过配置时长，则会考虑将数据复制到其他计算资源空闲的节点上，优先本地节点（同一个机架上），如果本地无法找到合适的计算节点，再等待默认3s如何资源还没有空余出来，就会启动数据迁移（这个代价有点大）。当然如果当前使用yarn的公平调度抢占式资源模式，会强制干掉不属于当前用户队列的进程以空出资源。好吧，又一次跑题了。。。如果同学们想了解yarn资源调度，请查看下下篇关于hadoop yarn资源调度的博客。小A同学又要提问了：老师什么时候会写关于hadoop yarn的资源调度？。。。。呃。。。。老师也不知道什么时候会写，看心情！！！！

        那么spark中的RDD又是什么呢？RDD全名是弹性分布式数据集，弹性并不是动态扩展而是血统容错机制（这个机制在sparkStream某些情况会导致栈溢出），分布式顾名思义一个RDD会在多个节点上存储。一个RDD可以切分多个块（partition),不同的块可能在集群的不同节点上。当然spark RDD也支持多副本机制，如果计算资源不太稳定，为了避免重算和数据恢复，可以考虑在persist算子传入多副本参数。

      spark读取hdfs的过程中，spark把hdfs的block块读到内存就会抽象成spark的partition(一对一)，就是折磨的简单。对于后续的操作，遇到需要shuffle的操作RDD中的块可以按照HashPartitioner(默认）或者rangePartitioner再次进行进行划分，一般pairRdd是使用key做hash再取余（hashpartitioner）来划分数据所在的partition。当然coalesce（更小的数字，false)这种不需要shuffle也能改变RDD中的partition数目。

      在spark的计算末尾一般需要把数据持久化，可以选择hive,hbase,hdfs等等。今天单独说持久化到hdfs，spark的RDD调用save()算子，RDD中数据就会被保存到hdfs。这个时候的对应关系比上面要复杂一些，RDD中的每个partition都会被保存成hdfs上的一个文件，如果文件大小小于128M，那么相当于RDD中的一个partition对应一个hadoop的block块。如果，这个文件大于128M,那么这个文件会被切分成多个block块，这样一个spark中partition就会对应hdfs上的多个block。

鉴于第二种情况，每个partition中的数据大于128M时，在做sparkStream做增量数据累加时一定要记得调整RDD的并行度。比如，第一次保存时RDD时10个分区且每个分区150M。那么，这个RDD被保存到hdfs上就会变成20个bloc块。下一批次重新读取hfds上这个数据到spark时，RDD就会变成20。在后续的操作如果有union，或者其他操作，导致parition增加，但是程序中又没有repartition或者在reduceBykey或者...bykey的操作中传入并行度。就会导致这块数据parition一致无限期增加，这块增量计算也会被这块小失误击垮。所以，对于需要读取合并再回写，这样的引用，在程序开发结束一定要审查需不需要重新调整分区。