Spark 创建RDD、DataFrame各种情况的默认分区数

我的原创地址：https://dongkelun.com/2018/08/13/sparkDefaultPartitionNums/
<https://dongkelun.com/2018/08/13/sparkDefaultPartitionNums/>

前言


熟悉Spark的分区对于Spark性能调优很重要，本文总结Spark通过各种函数创建RDD、DataFrame时默认的分区数，其中主要和sc.defaultParallelism、sc.defaultMinPartitions以及HDFS文件的Block数量有关，还有很坑的某些情况的默认分区数为1。

*
如果分区数少，那么并行执行的task就少，特别情况下，分区数为1，即使你分配的Executor很多，而实际执行的Executor只有1个，如果数据很大的话，那么任务执行的就很慢，好像是卡死了~，所以熟悉各种情况下默认的分区数对于Spark调优就很有必要了，特别是执行完算子返回的结果分区数为1的情况，更需要特别注意。（我就被坑过，我已经分配了足够多的Executor、默认的并行度、以及执行之前的数据集分区数，但分区数依然为1）
1、关于 sc.defaultMinPartitions

sc.defaultMinPartitions=min(sc.defaultParallelism,2)

也就是sc.defaultMinPartitions只有两个值1和2，当sc.defaultParallelism>1时值为2，当sc.defaultParallelism=1时，值为1
上面的公式是在源码里定义的（均在类SparkContext里）：
def defaultMinPartitions: Int = math.min(defaultParallelism, 2) def
defaultParallelism: Int = { assertNotStopped() taskScheduler.defaultParallelism
}
2、关于sc.defaultParallelism

2.1 首先可通过spark.default.parallelism设置sc.defaultParallelism的值

2.1.1 在文件中配置

在文件spark-defaults.conf添加一行（这里用的我的windows环境）
* spark.default.parallelism=20
验证：
在spark-shell里输入sc.defaultParallelism，输出结果为20


2.1.2 在代码里配置
val spark = SparkSession.builder() .appName("TestPartitionNums") .master(
"local") .config("spark.default.parallelism", 20) .getOrCreate() val sc =
spark.sparkContext println(sc.defaultParallelism) spark.stop


2.2 没有配置spark.default.parallelism时的默认值

2.2.1 spark-shell

spark-shell里的值等于cpu的核数，比如我的windows的cpu的核数为4

再比如测试机的核数为8


2.2.2 指定master为local

* 注：在spark-shell里通过–master
local和在代码里通过.master(“local”)的结果是一样的，这里以spark-shell为例
当master为local时，值为1，当master为local[n]时，值为n

2.2.3 master为local[*]和不指定master(2.2.1)一样，都为cpu核数



2.2.4 master为yarn


master为yarn模式时为分配的所有的Executor的cpu核数的总和或者2，两者取最大值，将2.1.2的代码的master注释掉并打包，然后用下面的脚本执行测试
test.sh
spark-submit --num-executors $1 --executor-cores 1 --executor-memory 640M
--master yarn --classcom.dkl.leanring.spark.TestPartitionNums spark-scala_2.11-
1.0.jar
* 之所用这种方式不用spark-shell是因为这种方式截图的话，占得空间比较小
*
因为yarn模式时使用的cpu核数为虚拟的cpu核数，和实际cpu的核数有偏差，具体应该和yarn的配置有关，而且根据结果，每次申请的实际的cpu核数不完全一样，这里没有去深究原因

2.2.5 Standalone、其他集群模式

因本人工作用yarn模式，Standalone和其他模式没法在这里截图验证了，根据网上的资料，应该和yarn模式默认值是一样的。

3、HDFS文件的默认分区


这里及后面讨论的是rdd和dataframe的分区，也就是读取hdfs文件并不会改变前面讲的sc.defaultParallelism和sc.defaultMinPartitions的值。

3.1 sc.textFile()

rdd的分区数 = max(hdfs文件的block数目, sc.defaultMinPartitions)

3.1.1 测试大文件（block的数量大于2）

这里我上传了一个1.52G的txt到hdfs上用来测试，其中每个block的大小为默认的128M，那么该文件有13个分区
* 1.52*1024/128=12.16



用下面代码可以测试读取hdfs文件的分区数
val rdd = sc.textFile("hdfs://ambari.master.com/data/egaosu/txt/20180416.txt")
rdd.rdd.getNumPartitions

这种方式无论是sc.defaultParallelism大于block数还是sc.defaultParallelism小于block数，rdd的默认分区数都为block数
* 注：之所以说是默认分区，因为textFile可以指定分区数，sc.textFile(path,
minPartitions)，通过第二个参数可以指定分区数
sc.defaultMinPartitions大于block数


sc.defaultMinPartitions小于block数


当用参数指定分区数时，有两种情况，当参数大于block数时，则rdd的分区数为指定的参数值，否则分区数为block数


3.1.2 测试小文件（block数量等于1）

这种情况的默认分区数为sc.defaultMinPartitions，下面是对应的hdfs文件：



将上面的hdfs路径改为：hdfs://ambari.master.com/tmp/dkl/data.txt，结果：



当用参数指定分区数时，rdd的分区数大于等于参数值，本次测试为等于参数值或参数值+1


3.2 spark.read.csv()

大文件（block较多）：df的分区数 = max(hdfs文件的block数目, sc.defaultParallelism)

小文件（本次测试的block为1）：df的分区数=1，也就是和sc.defaultParallelism无关(一般小文件也没必要用很多分区，一个分区很快就可以处理完成)

3.2.1 大文件

文件大小8.98G,block数为72


读取代码：
val df = spark.read.option("header", "true").csv(
"hdfs://ambari.master.com//data/etc_t/etc_t_consumewaste201801.csv")
分区数
1、当sc.defaultParallelism小于block，分区数默认为block数：72

2、当sc.defaultParallelism大于于block，分区数默认为sc.defaultParallelism


3.2.2 小文件（1个block）

分区数为1

读取代码：
val df = spark.read.option("header", "true").csv(
"hdfs://ambari.master.com//data/etc_t/etc_sale_desc.csv")


3.3 测试读取hive表创建的DataFrame的分区数

下面是该表的hdfs路径，从下面的图可以看出该表对应的hdfs文件的block的数目为10（2*5）


用下面的代码测试：
//切换数据库 spark.sql("use route_analysis") //读取该数据库下的egaosu表为df val df =
spark.table("egaosu") //打印df对应的rdd的分区数 df.rdd.getNumPartitions

测试发现，当sc.defaultParallelism大于block时，df的分区是等于sc.defaultParallelism，当小于block时，df的分区数介于sc.defaultParallelism和block之间，至于详细的分配策略，我还没有查到~




*
用spark.sql(“select * from egaosu”)这种方式得到df和上面的分区数是一样的

*

上面讲的是我经常使用的几种读取hdfs文件的方法，至于利用其他方法读取hdfs文件的默认的分区，大家可以自己测试（比如json文件，因我没有比较大的hdfs文件就不做测试了）

4、非HDFS文件的默认分区（本地文件）

* 实际工作中用到本地文件的情况很少，一般都是hdfs、关系型数据库和代码里的集合
4.1 sc.textFile()

4.1.1 大文件

文件大小为1142M，经测试本地文件也会像hdfs一样进行类似于block的划分，固定按32M来分片（这里的32M参考Spark
RDD的默认分区数：（spark 2.1.0） <https://www.jianshu.com/p/4b7d07e754fa>）

所以应该默认有36个分区（1142/32=35.6875）
当用参数值指定时，参数小于block时，分区数为block的数目，大于block时，分区数为参数值，即分区数 = max(本地文件的block数目,
参数值)
读取代码：
val rdd = sc.textFile("file:///root/dkl/170102.txt")


4.1.2 小文件

默认的分区数为sc.defaultMinPartitions
新建一个测试文件text.txt,内容自己造几行




当用参数指定分区数时，本以为分区数为指定的参数值，结果经测试，当参数值在一定的范围内分区数确实为指定的参数值，当参数值大于某个数值时，分区数实际比参数值大一点，不知道是不是Spark的bug还是有自己的策略。
读取代码：
val rdd = sc.textFile("file:///root/dkl/sh/test/test.txt")


4.2 spark.read.csv()

规律和HDFS文件是一样的（见3.2），且按128M来分block，这里和上面讲的txt不一样，txt是按32M

4.2.1 大文件

1081M，那么block为9（1081/128），分区数 = max(本地文件的block数目, sc.defaultParallelism)

读取代码：
val df = spark.read.option("header", "true").csv(
"file:///root/dir/etc_t/etc_t_consumewaste20180614-0616.csv")



4.2.2 小文件

大小6K，block为1，分区数为1

读取代码：
val df = spark.read.option("header", "true").csv(
"file:///root/dkl/sh/test/test.csv")


5、关系型数据库

从关系型数据库表读取的df的分区数为1，以mysql为例，我这里拿一张1000万条数据的表进行测试


Spark连接mysql的代码可以参考Spark Sql 连接mysql
<https://dongkelun.com/2018/03/21/sparkMysql/>

6、从代码里的内部数据集创建

6.1 sc.parallelize()创建RDD

默认分区数等于sc.defaultParallelism，指定参数时分区数值等于参数值。

6.2 spark.createDataFrame(data)创建DataFrame

当data的长度小于sc.defaultParallelism，分区数等于data长度，否则分区数等于sc.defaultParallelism

如图：


6.3 代码

下面是上面图中的代码：
package com.dkl.leanring.spark import org.apache.spark.sql.SparkSession object
TestPartitionNums { def main(args: Array[String]): Unit = { val spark =
SparkSession.builder() .appName("TestPartitionNums") .master("local") .config(
"spark.default.parallelism", 8) .getOrCreate() val sc = spark.sparkContext
println("默认的并行度: " + sc.defaultParallelism) println("sc.parallelize 默认分区：" +
sc.parallelize(1 to 30).getNumPartitions) println("sc.parallelize
参数指定，参数大于sc.defaultParallelism时：" + sc.parallelize(1 to 30, 100
).getNumPartitions) println("sc.parallelize 参数指定，参数小于sc.defaultParallelism时：" +
sc.parallelize(1 to 30, 3).getNumPartitions) var data = Seq((1, 2), (1, 2), (1,
2), (1, 2), (1, 2)) println("spark.createDataFrame
data的长度小于sc.defaultParallelism时，长度：" + data.length + " 分区数：" +
spark.createDataFrame(data).rdd.getNumPartitions) data = Seq((1, 2), (1, 2), (1,
2), (1, 2), (1, 2), (1, 2), (1, 2), (1, 2), (1, 2), (1, 2), (1, 2), (1, 2))
println("spark.createDataFrame data的长度大于sc.defaultParallelism时，长度：" +
data.length +" 分区数：" + spark.createDataFrame(data).rdd.getNumPartitions)
spark.stop } }
7、其他改变分区数的算子

7.1 分区数为1

上面已经讲过几个分区数为1（当默认的并行度大于1时）的情况：
1、spark.read.csv()读取本地文件
2、读取关系型数据库表
上面是从外部数据源加载进来就为1的情况，还有就是对df或rdd进行转换操作之后的分区数为1的情况：
1、df.limit(n)

7.2 分区数不为1的情况

df.distinct()分区数为200

如图：


8、合理的设置分区数


根据自己集群的情况和数据大小等合理设置分区的数目，对于Spark性能调优很有必要，根据前面讲的可知，可通过配置spark.default.parallelism、传参设置分区数，遇到那些分区数为1的特殊算子可以利用repartition()进行重新分区即可。

9、总结


本文首先讲了各种情况下的sc.defaultParallelism，defaultMinPartitions，然后讲了各种情况下创建以及转化RDD、DataFrame的分区数，因为Spark的外部数据源很多，创建以及转化RDD、DataFrame的方法和算子也很多，所以主要是讲了我个人常用的各种情况，并不能包含所有情况，至于其他情况，大家可以自己测试总结。还有一点就是本文并没有从源码的层次去分析，只是总结一些规律，对于前面提到的一些还不太清楚的规律，以后如果有时间的话可以从源码的层次去分析为什么~

• « 上一篇：.NetCore 资料分享
• » 下一篇：记一次“粗暴”的Flash模拟EEPROM法（用的STM32F030C6芯片，没找到模拟EEPROM库函数）