Spark 创建RDD、DataFrame各种情况的默认分区数

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

  
  

  

  image

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

image

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

image

再比如测试机的核数为8

image

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

  
  

  

  image

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

image

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   --class  com.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

  
  

  

  image

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

  
  

  

  image

  
  

  

  image

用下面代码可以测试读取hdfs文件的分区数

val rdd = sc.textFile("hdfs:https://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

  
  

  

  image

sc.defaultMinPartitions小于block数

image

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

image

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：

image

image

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

image

image

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

image

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

image

image

读取代码：

val df = spark.read.option("header", "true").csv("hdfs:https://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

image

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

image

3.2.2 小文件（1个block）

分区数为1

image

读取代码：

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

image

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）

image

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dfval 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~

image

image

image

• 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））

image

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:https:///root/dkl/170102.txt")

image

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

image

image

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:https:///root/dkl/sh/test/test.txt")

image

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)

image

读取代码：

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

image

image

4.2.2 小文件

大小6K，block为1，分区数为1

image

读取代码：

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

image

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

image

image

Spark连接mysql的代码可以参考Spark Sql 连接mysql

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：

image

6.3 代码

下面是上面图中的代码：

package com.dkl.leanring.sparkimport org.apache.spark.sql.SparkSessionobject 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：

image

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~

作者：董可伦
链接：https://www.jianshu.com/p/fe987f6d2018