Spark RDD的預設分割槽數：（spark 2.1.0）

本文基於Spark 2.1.0版本

新手首先要明白幾個配置：

spark.default.parallelism：（預設的併發數）

    如果配置檔案spark-default.conf中沒有顯示的配置，則按照如下規則取值：

    本地模式（不會啟動executor，由SparkSubmit程式生成指定數量的執行緒數來併發）：

    spark-shell                              spark.default.parallelism = 1

    spark-shell --master local[N] spark.default.parallelism = N （使用N個核）

    spark-shell --master local      spark.default.parallelism = 1

    偽叢集模式（x為本機上啟動的executor數，y為每個executor使用的core數，

z為每個 executor使用的記憶體）

     spark-shell --master local-cluster[x,y,z] spark.default.parallelism = x * y

     mesos 細粒度模式

     Mesos fine grained mode   spark.default.parallelism = 8

    其他模式（這裡主要指yarn模式，當然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總數， 2）

經過上面的規則，就能確定了spark.default.parallelism的預設值（前提是配置檔案spark-default.conf中沒有顯示的配置，如果配置了，則spark.default.parallelism = 配置的值）

還有一個配置比較重要，spark.files.maxPartitionBytes = 128 M（預設）

The maximum number of bytes to pack into a single partition when reading files.

代表著rdd的一個分割槽能存放資料的最大位元組數，如果一個400m的檔案，只分了兩個區，則在action時會發生錯誤。

當一個spark應用程式執行時，生成spark.context，同時會生成兩個引數，由上面得到的spark.default.parallelism推匯出這兩個引數的值

sc.defaultParallelism     = spark.default.parallelism

sc.defaultMinPartitions = min(spark.default.parallelism,2)

當sc.defaultParallelism和sc.defaultMinPartitions最終確認後，就可以推算rdd的分割槽數了。

有兩種產生rdd的方式：

1，透過scala 集合方式parallelize生成rdd，

如， val rdd = sc.parallelize(1 to 10)

這種方式下，如果在parallelize操作時沒有指定分割槽數，則

rdd的分割槽數 = sc.defaultParallelism

2，透過textFile方式生成的rdd，

如， val rdd = sc.textFile(“path/file”)

有兩種情況：

a，從本地檔案file:///生成的rdd，操作時如果沒有指定分割槽數，則預設分割槽數規則為：

（按照官網的描述，本地file的分片規則，應該按照hdfs的block大小劃分，但實測的結果是固定按照32M來分片，可能是bug，不過不影響使用，因為spark能用所有hadoop介面支援的儲存系統，所以spark textFile使用hadoop介面訪問本地檔案時和訪問hdfs還是有區別的）

rdd的分割槽數 = max（本地file的分片數， sc.defaultMinPartitions）

b，從hdfs分散式檔案系統hdfs://生成的rdd，操作時如果沒有指定分割槽數，則預設分割槽數規則為：

rdd的分割槽數 = max（hdfs檔案的block數目， sc.defaultMinPartitions）

補充：

1，如果使用如下方式，從HBase的資料錶轉換為RDD，則該RDD的分割槽數為該Table的region數。

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為10，則hBaseRDD的分割槽數也為10。

2，如果使用如下方式，透過獲取json（或者parquet等等）檔案轉換為DataFrame，則該DataFrame的分割槽數和該檔案在檔案系統中存放的Block數量對應。

Dataset<Row> df = spark.read().json("examples/src/main/resources/people.json");

people.json大小為300M，在HDFS中佔用了2個blocks，則該DataFrame df分割槽數為2。

3，Spark Streaming獲取Kafka訊息對應的分割槽數，不在本文討論。

歡迎指正，轉載請標明作者和出處，謝謝。

作者：俺是亮哥
連結：