spark的RDD分区的设定规则

目录

一、第一种：parallelize 获取rdd时

二、第二种：通过外部读取数据-textFile

三、上面提到了默认分区数，那么默认分区是怎么计算呢？

---

一、第一种：parallelize 获取rdd时

• 没有指定：spark.default.parallelism参数值决定
• 指定分区：指定几个，就是几个分区

总结：假如指定了分区数，分区数就是这个，假如没有指定spark.default.parallelism。

二、第二种：通过外部读取数据-textFile

• 没有指定：spark.default.parallelism和2取最小值，

                         具体计算并行度的公式：min(spark.default.parallelism,2)

• 指定分区：最小分区数，最少有这么多分区，具体的分区数可以根据HDFS分片规则来 hdfs                     （ 一片是128M或者128*1.1 = 140.8M）

rdd3 = sc.textFile("hdfs://bigdata01:9820/datas/wordcount/data.txt", minPartitions=2) 

假如你这个data.txt = 500M ，此时的分区数是:4  因为 500 =  128+ 128+ 128+ 116

三、上面提到了默认分区数，那么默认分区是怎么计算呢？

• local模式

     默认并行度取决于本地机器的核数，即：

1. local: 没有指定CPU核数，则所有计算都运行在一个线程当中，没有任何并行计算
2. local[K]:指定使用K个Core来运行计算，比如local[2]就是运行2个Core来执行
3. local[*]: 自动帮你按照CPU的核数来设置线程数。比如CPU有4核，Spark帮你自动设置4个线程计算

• 集群模式

      集群模式包含Stanalone、Yarn模式，Mesos的默认并行度为8
      默认并行度取决于所有executor上的总核数与2的最大值，比如集群模式的设置如下：

--num-executors 5
--executor-cores 2
上面配置Executor的数量为5，每个Executor的CPU Core数量为2，
executor上的总核数10，则默认并行度为Max(10,2)=10。