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).toIntval 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
3Spark 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
3. 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 2part-00001: 3 4 5 6*/val newRDD2 = rdd.coalesce(2,true)/*分区结果：part-0000: 1 4 5part-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=2part-00000: 1 2 3part-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 5part-00001: 2 4part-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)}
