Spark RDD系列----3. rdd.coalesce方法的作用

    当spark程序中，存在过多的小任务的时候，可以通过 RDD.coalesce方法，收缩合并分区，减少分区的个数，减小任务调度成本，避免Shuffle导致，比RDD.repartition效率提高不少。

    rdd.coalesce方法的作用是创建CoalescedRDD，源码如下：

def coalesce(numPartitions: Int, shuffle: Boolean = false)(implicit ord: Ordering[T] = null)
      : RDD[T] = withScope {
    if (shuffle) {
      /** Distributes elements evenly across output partitions, starting from a random partition. */
      val distributePartition = (index: Int, items: Iterator[T]) => {
        var position = (new Random(index)).nextInt(numPartitions)
        items.map { t =>
          // Note that the hash code of the key will just be the key itself. The HashPartitioner
          // will mod it with the number of total partitions.
          position = position + 1
          (position, t)
        }
      } : Iterator[(Int, T)]

      // include a shuffle step so that our upstream tasks are still distributed
      new CoalescedRDD(
        new ShuffledRDD[Int, T, T](mapPartitionsWithIndex(distributePartition),
        new HashPartitioner(numPartitions)),
        numPartitions).values
    } else {
      new CoalescedRDD(this, numPartitions)
    }
  }

    本文只讲默认情况下，不发生Shuffle的时候rdd.coalesce的原理

    DAGScheduler进行任务分配的时候，需要调用CoalescedRDD.getPartitions方法，获取CoalescedRDD的分区信息。这个方法的代码如下：

override def getPartitions: Array[Partition] = {
    val pc = new PartitionCoalescer(maxPartitions, prev, balanceSlack)

    pc.run().zipWithIndex.map {
      case (pg, i) =>
        val ids = pg.arr.map(_.index).toArray//ids表示CoalescedRDD的某个分区，对应它的parent RDD的所有分区id
        new CoalescedRDDPartition(i, prev, ids, pg.prefLoc)
    }
  }

在上面的方法中，CoalescedRDD一个分区，对应于它parent RDD的那些分区是由PartitionCoalescer数据结构确定的。在这里不详述PartitionCoalescer类的具体实现，只说这个类起到的作用：

1.保证CoalescedRDD的每个分区基本上对应于它Parent RDD分区的个数相同

2.CoalescedRDD的每个分区，尽量跟它的Parent RDD的本地性形同。比如说CoalescedRDD的分区1对应于它的Parent RDD的1到10这10个分区，但是1到7这7个分区在节点1.1.1.1上，那么 CoalescedRDD的分区1所要执行的节点就是1.1.1.1。这么做的目的是为了减少节点间的数据通信，提升处理能力。

3.CoalescedRDD的分区尽量分配到不同的节点执行

4.Be efficient, i.e. O(n) algorithm for n parent partitions (problem is likely NP-hard)（不知道该怎么翻译，只能粘原文了）

CoalescedRDD分区它数据结构表示，它是一个容器，包含了一个的Parent RDD的所有分区。在上面的代码中，创建CoalescedRDDPartition对象的时候，ids参数是一个数组，表示这个CoalescedRDDPartition对应的parent RDD的所有分区id。

CoalescedRDD.compute方法用于生成CoalescedRDD一个分区的数据，源码如下：

 override def compute(partition: Partition, context: TaskContext): Iterator[T] = {
    partition.asInstanceOf[CoalescedRDDPartition].parents.iterator.flatMap { parentPartition =>
      firstParent[T].iterator(parentPartition, context)
    }
  }

可见这个方法的作用是将CoalescedRDD一个分区对应它的parent RDD的所有分区数据拼接起来，成为一个新的Iterator。效果如下图表示：

如果CoalescedRDD的一个分区跟它的Parent RDD的分区没有在一个Executor，则需要通过Netty通信的方式，拿到它的Parent RDD的数据，然后再拼接。

采用rdd.coalesce方法修改了分区的个数，虽然由可能需要采用Netty通信的方式获取它的Parent RDD的数据，但是没有落地到磁盘的操作，避免了磁盘I/O，所以比Shuffle还是要快不少。