RDD 并行度和分区
SparkConf
setMaster("local[*]")
我们在创建 SparkContext 对象时通常会指定 SparkConf 参数，它包含了我们运行时的配置信息。如果我们的 setMaster 中的参数是 "local[*]" 时，通常代表使用的CPU核数为当前环境的最大值。
val conf = new SparkConf() .setMaster("local[*]") .setAppName("test partition") val sc = new SparkContext(conf) val rdd: RDD[Int] = sc.parallelize(List(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)) rdd.saveAsTextFile("test_par_out") sc.stop()
运行结果：
在设备管理器中查看CPU核数：
setMaster("local")
这时的使用 CPU 核数的默认值为 1 。
val conf = new SparkConf() .setMaster("local") .setAppName("test partition")
setMaster["local[2]"]
设置使用的 CPU 核数为 2
val conf = new SparkConf() .setMaster("local[2]") .setAppName("test partition")
创建RDD时指定分区数
我们也可以在创建 RDD 对象时指定切片数 numSlices（切片数就是分区的数量（通常一个分区对应一个Task，一个Task对应一个Excutor（一个CPU核心）））。
val conf = new SparkConf() .setMaster("local[*]") .setAppName("test partition") val sc = new SparkContext(conf) //第二个参数用来指定并行度（分区数） val rdd: RDD[Int] = sc.parallelize(List(1, 2, 3, 4, 5, 6, 7, 8, 9, 10),1) rdd.saveAsTextFile("test_par_out") sc.stop()
conf.set 指定并行度
val conf = new SparkConf() .setMaster("local[*]") .setAppName("test partition") conf.set("spark.default.parallelism","5")
读取内存数据（集合）的分区规则
核心源码：
def positions(length: Long, numSlices: Int): Iterator[(Int, Int)] = { (0 until numSlices).iterator.map { i => val start = ((i * length) / numSlices).toInt val end = (((i + 1) * length) / numSlices).toInt (start, end) } }
比如我们读取集合数组 List(1,2,3,4,5)，我们在创建RDD对象时设置分区数为 3 。
val rdd: RDD[Int] = sc.parallelize(List(1, 2, 3, 4, 5),3)
当我们保存时，会输出三个文件，文件内容分别是：
- part-00000：1
- part-00001：2,3
- part-000002：4,5
因为此时我们源码的 positions 的参数是 （length：5，numSilces：3），它会返回三个元组（start，end），对应我们数组的下标，并且左闭右开。
- part-00000：（0,1）
- part-00001：（1,3）
- part-000002：（3,5）
读取文件数据的分区规则
我们在通过读取本地文件系统的文件来创建 RDD 时：
val conf = new SparkConf() .setMaster("local[*]") .setAppName("test partition") conf.set("spark.default.parallelism","5") val sc = new SparkContext(conf) val rdd = sc.textFile("data/1.txt") sc.stop()
默认的分区数量是最小分区数量（2）：
//defaultParallelism取决于 setMaster("local[*]") ,如果是 local[*] 代表分区数=CPU核数 但是min方法返回最小值，最小值=2 def defaultMinPartitions: Int = math.min(defaultParallelism, 2)
Spark 分区规则和 Hadoop 是一样的，只是切片规则和数据读取规则有差异。
案例-文件a.txt：
1 2 3
Spark 分区数量的计算方式：
源码：
long totalSize = 0 long goalSize = totalSize / (numSplits == 0 ? 1 : numSplits);
对于我们上面的文件 a.txt：
// totalSize 是文件的总字节数,一个回车占两个字节 totalSize = 7 goalSize = 7 / (2 == 0 ? 1 : 2) = 3 (单位：byte) //也就是每个分区占用3个字节 //分区数= totalSize/gogalSize=2...1 (余数1byte,根据hadoop的规则,如果余数>每个分区的字节数的1.1倍,就要产生新的分区,否则就不会产生新的分区) //这里余数是 1 , 1/3 = 33.3% > 0.1 所以会产生一个新的分区 //所以分区数 = 3
数据分区的分配
1. Spark 数据分区以行为单位进行读取
2. 数据读取时，以偏移量为单位
以上面的 a.txt 为例（@@代表一个回车）
1@@ => 012 2@@ => 345 3 => 6
数据分区的偏移量范围的计算
//注意: 左右都是闭区间, //偏移量不会被重复读取 part-00000 => [0,3] => 1@@,2@@ //读到3的时候已经到了第二行,要读就读一整行,所以2@@都会被读取 part-00001 => [3,6] => 3 [3,6]对应的第二行的第1个字节(2)~第3行第1个字节(3),而2已经被读过了,所以只剩3 part-00002 => [6,7] =>
coalesce 和 repartition
coalesce 和 repartition 分别用于缩减分区节省资源和扩大分区提高并行度。
coalesce
根据数据量缩减分区，用于大数据集过滤后，提高小数据集的执行效率。
当 Spark 程序中，存在过多的小任务的时候，可以使用 coalesce 方法，收缩合并分区，减少分区的个数，减少任务调度成本。
val rdd = sc.makeRDD(List(1, 2, 3, 4, 5, 6), 3) val newRDD1 = rdd.coalesce(2) /* coalesce 默认情况下不会将分区内的数据打乱重新组合,这里是直接将三个分区中两个分区合并为一个分区,另外一个仍然是一个分区 这种情况下的缩减分区可能会导致数据不均衡，出现数据倾斜 如果想要数据均衡,可以进行shuffle处理 分区结果: part-00000: 1 2 part-00001: 3 4 5 6 */ val newRDD2 = rdd.coalesce(2,true) /* 分区结果： part-0000: 1 4 5 part-0001: 2 3 6 */
repartition
repartition 的底层其实就是 coalesce ，为了区分缩减和扩大分区（都可以由coalesce实现），所以分成了两个方法。
val rdd = sc.makeRDD(List(1, 2, 3, 4, 5, 6), 2) /* length=6,numSlices=2 part-00000: 1 2 3 part-00001: 4 5 6 */ // 想要扩大分区数量 提高并行度 shuffle 必须为true 因为我们要把2个分区的数据分为3个分区 就必须打乱分区内的数据重新排 // 如果不设置shuffle为true是没有意义的 结果还是2个分区 val newRdd1 = rdd.coalesce(3,true) /* 分区结果： part-00000: 3 5 part-00001: 2 4 part-00002: 1 6 */ // 缩减分区用 coalesce，如果要数据均衡可以采用 shuffle // 扩大分区用 repartition , repartition底层就是 coalesce(numSlices,true) rdd.repartition(2)
repartition 底层代码
def repartition(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T] = withScope { coalesce(numPartitions, shuffle = true) }
