Spark RDD系列-------1. 决定Spark RDD分区算法因素的总结

    RDD在调用引起Shuffle的方法的时候，如果没有显示指定ShuffledRDD的分区，那么会调用Partitioner.defaultPartitioner方法来确定ShuffledRDD的分区，比如RDD.combineByKey:

def combineByKey[C](createCombiner: V => C, mergeValue: (C, V) => C, mergeCombiners: (C, C) => C)
    : RDD[(K, C)] = self.withScope {
    combineByKey(createCombiner, mergeValue, mergeCombiners, defaultPartitioner(self))
  }

RDD.groupByKey:

def groupByKey(): RDD[(K, Iterable[V])] = self.withScope {
    groupByKey(defaultPartitioner(self))
  }

RDD.join:

def join[W](other: RDD[(K, W)]): RDD[(K, (V, W))] = self.withScope {
    join(other, defaultPartitioner(self, other))
  }

Partitioner.defaultPartitioner代码如下：

def defaultPartitioner(rdd: RDD[_], others: RDD[_]*): Partitioner = {
    val bySize = (Seq(rdd) ++ others).sortBy(_.partitions.size).reverse//从大到小排序
    for (r <- bySize if r.partitioner.isDefined) {
      return r.partitioner.get//如果依赖的RDD中存在RDD已经设置了分区，则从设置了分区的RDD中则挑选出分区数最大的RDD.partitioner
    }
    if (rdd.context.conf.contains("spark.default.parallelism")) {
      new HashPartitioner(rdd.context.defaultParallelism)
    } else {
      new HashPartitioner(bySize.head.partitions.size)//默认取分区个数最大的RDD作为hashcode
    }
  }

可见默认情况下，ShuffledRDD的分区确定算法为：

1. 如果依赖的RDD中存在RDD已经设置了RDD.partitioner，则从设置了分区的RDD中则挑选出分区数最大的RDD.partitioner

2. 如果依赖的所有RDD都没有设置RDD.partitioner，但是设置了spark.default.parallelism，那么根据spark.default.parallelism设置创建HashPartitioner，作为ShuffledRDD的分区依据

3. 以上2点都不满足，则从依赖的RDD中，去除分区数最大的RDD的分区个数，创建HashPartitioner，作为ShuffledRDD的分区依据

一个Spark应用可能包含多个Stage，假设Stage1经过Shuffle后生成新的ShuffledRDD1，然后再开始Stage2，但是从Stage2到Stage3的时候，在确定ShuffledRDD2的时候，ShuffledRDD1.partitioner是不是还存在呢？RDD.map是RDD最常调用的方法，RDD.map会创建MapPartitionsRDD，下面看看MapPartitionsRDD的创建：

def map[U: ClassTag](f: T => U): RDD[U] = withScope {
    val cleanF = sc.clean(f)
    new MapPartitionsRDD[U, T](this, (context, pid, iter) => iter.map(cleanF))
  }

可见MapPartitionsRDD.partitioner为None，由此可见ShuffledRDD1执行完map方法转换之后，ShuffledRDD1的partitioner没有传递到MapPartitionsRDD

为什么呢？

因为进行map操作之后，RDD中的数据已经发生了变化，每个数据如果shuffle的话计算出来的Hash值已经发生了改变，而Hash值确定了RDD中一个元素所在的分区，RDD的每个元素在下一个Stage所在的分区很可能发生了变化，所以默认情况下MapPartitionsRDD.partitioner设置为None，这样即使shuffle前的Stage1和Shuffle后的Stage2的分区个数相同，也需要Shuffle来重新确定RDD中每个元素所在的分区。

假设Shuffle后的RDD依赖多个RDD，比如说CoGroupedRDD，会不会两个RDD都会发生Shuffle呢？下面以CoGroupedRDD为例看一看。CoGroupedRDD.getDependencies的定义如下：

override def getDependencies: Seq[Dependency[_]] = {
    rdds.map { rdd: RDD[_] =>
      if (rdd.partitioner == Some(part)) {
        logDebug("Adding one-to-one dependency with " + rdd)
        new OneToOneDependency(rdd)
      } else {
        logDebug("Adding shuffle dependency with " + rdd)
        new ShuffleDependency[K, Any, CoGroupCombiner](
          rdd.asInstanceOf[RDD[_ <: Product2[K, _]]], part, serializer)
      }
    }
  }

可见如果CoGroupedRDD依赖的某个RDD和CoGroupedRDD分区相同，则这个被依赖的RDD就不会进行Shuffle。