Spark分区原理分析

介绍

分区是指如何把RDD分布在spark集群的各个节点的操作。以及一个RDD能够分多少个分区。

一个分区是大型分布式数据集的逻辑块。

那么思考一下：分区数如何映射到spark的任务数？如何验证？分区和任务如何对应到本地的数据?

Spark使用分区来管理数据，这些分区有助于并行化分布式数据处理，并以最少的网络流量在executors之间发送数据。

默认情况下，Spark尝试从靠近它的节点读取数据到RDD。由于Spark通常访问分布式分区数据，为了优化transformation（转换）操作，它创建分区来保存数据块。

存在在HDFS或Cassandra中的分区数据是一一对应的（由于相同的原因进行分区）。

默认情况下，每个HDFS的分区文件（默认分区文件块大小是64M）都会创建一个RDD分区。

默认情况下，不需要程序员干预，RDD会自动进行分区。但有时候你需要为你的应用程序，调整分区的大小，或者使用另一种分区方案。

你可以通过方法def getPartitions: Array[Partition]来获取RDD的分区数量。

在spark-shell中执行以下代码： 

val v = sc.parallelize(1 to 100) 

scala> v.getNumPartitions 

res2: Int = 20 //RDD的分区数是20？why? 原因在后面讲解。 

一般来说分区数和任务数是相等的。以上代码可以看到分区是20个，再从spark管理界面上看，有20个任务。

可以通过参数指定RDD的分区数： 

val v = sc.parallelize(1 to 100, 2) 

scala> v.getNumPartitions 

res2: Int = 2 //RDD的分区数是2 

可以看出，指定了分区数量以后，输出的是指定的分区数。通过界面上看，只有2个任务。

分区大小对Spark性能的影响

分区块越小，分区数量就会越多。分区数据就会分布在更多的worker节点上。但分区越多意味着处理分区的计算任务越多，太大的分区数量（任务数量）可能是导致Spark任务运行效率低下的原因之一。

所以，太大或太小的分区都有可能导致Spark任务执行效率低下。那么，应该如何设置RDD的分区？

Spark只能为RDD的每个分区运行1个并发任务，直到达到Spark集群的CPU数量。 

所以，如果你有一个拥有50个CPU的Spark集群，那么你可以让RDD至少有50个分区（或者是CPU数量的2到3倍）。

一个比较好的分区数的值至少是executors的数量。可以通过参数设置RDD的默认分区数，也就是我们所说的并行度： 

sc.defaultParallelism  上一节中，当没有设定分区时，在我的Spark集群中默认的分区数是20，是因为在Spark默认配置文件：conf/spark-defaults.conf中我设置了变量： spark.default.parallelism 20

同样，RDD的action函数产生的输出文件数量，也是由分区的数量来决定的。

分区数量的上限，取决于executor的可用内存大小。

RDD执行的第一个transformation函数的分区数量，决定了在该RDD上执行的后续一系列处理过程的分区数量。例如从hdfs读取数据的函数： 

sc.textFile(path, partition)

当使用函数 rdd = SparkContext().textFile("hdfs://…​/file.txt")时，你得到的分区数量可能很少，这将会和HDFS的块的多少相等。但当你的文件中的行比较大时，得到的分区可能更少。

你也可以通过textFile函数的第2个参数指定读取的分区数量，但该分区数量： 

sc.textFile("hdfs://host:port/path", 200)  这样读取path的文件后，会生成200个分区。  注意：第2个参数指定的分区数，必须大于等于2。

注意：以上描述只是对非压缩文件适用，对于压缩文件不能在textFile中指定分区数，而是要进行repartition： 

rdd = sc.textFile('demo.gz') 

rdd = rdd.repartition(100) 

一些函数，例如：map,flatMap,filter不会保留分区。会把每个函数应用到每一个分区上。

RDD的Repartition

函数的定义定义如下： 

/** 

* Return a new RDD that has exactly numPartitions partitions. 

* Can increase or decrease the level of parallelism in this RDD. Internally, this uses a shuffle to redistribute data. 

* If you are decreasing the number of partitions in this RDD, consider using coalesce, which can avoid performing a shuffle. 

*/ 

def repartition(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T] = withScope { 

coalesce(numPartitions, shuffle = true) 

}  从代码上可以看到，repartition是shuffle和numPartitions分区的合并操作。

若分区策略不符合你的应用场景，你可以编写自己的Partitioner。

coalesce 转换

改函数的代码如下： 

/** 

* Return a new RDD that is reduced into numPartitions partitions. 

* 

* This results in a narrow dependency, e.g. if you go from 1000 partitions 

* to 100 partitions, there will not be a shuffle, instead each of the 100 

* new partitions will claim 10 of the current partitions. 

* 

* However, if you’re doing a drastic coalesce, e.g. to numPartitions = 1, 

* this may result in your computation taking place on fewer nodes than 

* you like (e.g. one node in the case of numPartitions = 1). To avoid this, 

* you can pass shuffle = true. This will add a shuffle step, but means the 

* current upstream partitions will be executed in parallel (per whatever 

* the current partitioning is). 

* 

* Note: With shuffle = true, you can actually coalesce to a larger number 

* of partitions. This is useful if you have a small number of partitions, 

* say 100, potentially with a few partitions being abnormally large. Calling 

* coalesce(1000, shuffle = true) will result in 1000 partitions with the 

* data distributed using a hash partitioner. 

*/ 

def coalesce(numPartitions: Int, shuffle: Boolean = false, 

partitionCoalescer: Option[PartitionCoalescer] = Option.empty) 

(implicit ord: Ordering[T] = null) 

: RDD[T] = withScope { 

… … 

} 

coalesce转换用于更改分区数。它可以根据shuffle标志触发RDD shuffle（默认情况下禁用shuffle，即为false）

从以上代码注释可以看出：该函数是一个合并分区的操作，一般该函数用来进行narrow转换。为了让该函数并行执行，通常把shuffle的值设置成true。

coalesce使用举例

scala> val rdd = sc.parallelize(0 to 10, 8) 

rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[0] at parallelize at :24

scala> rdd.partitions.size 

res0: Int = 8

scala> rdd.coalesce(numPartitions=8, shuffle=false) (1) 

res1: org.apache.spark.rdd.RDD[Int] = CoalescedRDD[1] at coalesce at :27

scala> res1.toDebugString 

res2: String =  (8) CoalescedRDD[1] at coalesce at :27 []  | ParallelCollectionRDD[0] at parallelize at :24 []

scala> rdd.coalesce(numPartitions=8, shuffle=true) 

res3: org.apache.spark.rdd.RDD[Int] = MapPartitionsRDD[5] at coalesce at :27

scala> res3.toDebugString 

res4: String =  (8) MapPartitionsRDD[5] at coalesce at :27 []  | CoalescedRDD[4] at coalesce at :27 []  | ShuffledRDD[3] at coalesce at :27 []  +-(8) MapPartitionsRDD[2] at coalesce at :27 []  | ParallelCollectionRDD[0] at parallelize at :24 [] 

注意：

• 默认情况下coalesce是不会进行shuffle。
• 另外，分区数和源RDD的分区数保持一致。

分区相关参数

spark.default.parallelism

设置要用于HashPartitioner的分区数。它对应于调度程序后端的默认并行度。 

它也和以下几个数量对应：

• LocalSchedulerBackend是spark本地执行的调度器，此时，该参数的数量是，本地JVM的线程数。

本地模式的默认并行度的设置源码如下： 

case LOCAL_N_REGEX(threads) => 

def localCpuCount: Int = Runtime.getRuntime.availableProcessors() 

// local[*] estimates the number of cores on the machine; local[N] uses exactly N threads. 

val threadCount = if (threads == "*") localCpuCount else threads.toInt 

• Spark on Mesos的CPU数量，默认是8.
• 总CPU数：totalCoreCount，在CoarseGrainedSchedulerBackend 是2。

如何查看RDD的分区

通过UI查看使用分区的任务执行

启动spark-shell执行以下命令： 

scala> val someRDD = sc.parallelize(1 to 100, 4) 

someRDD: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[6] at parallelize at :27

scala> someRDD.map(x => x).collect 

17/06/20 07:37:54 INFO spark.SparkContext: Starting job: collect at console:30  … … 

再通过spark管理界面查看任务执行情况： 

通过UI查看Partition Caching

在终端的spark-shell下执行以下命令： 

scala> someRDD.setName("toy").cache 

scala> someRDD.map(x => x).collect 

再通过spark UI查看cache的情况： 

通过函数调用获取分区数量

• RDD.getNumPartitions
• rdd.partitions.size

参考文档：