spark算子-parallelize算子

parallelize算子说明

功能说明

通过在驱动程序（Scala/Java其他）中的现有集合上调用SparkContext'方法来创建并行化集合。复制集合的元素以形成可以并行操作的分布式数据集。
例如，这里是如何创建一个包含数字 1 到 5 的并行化集合：parallelizeSeq

val data = Array(1, 2, 3, 4, 5)
val distData = sc.parallelize(data)

parallelize算子源码

参数说明
	seq：
		需要进行并行化集合创建的现有集合
	numSlices：
		并行化集合的并行度（分区数）
		该参数没传值情况下，默认赋值defaultParallelism:
			全局配置的spark.default.parallelism参数有值，就取参数值；
		    全局配置的spark.default.parallelism参数没有设置：
				集群模式下，在cpu总核数 vs 2之间取最大值；
				local模式下，取cpu总核数；
实现逻辑
	底层根据传入参数构建ParallelCollectionRDD；

  def parallelize[T: ClassTag](
      seq: Seq[T],
      numSlices: Int = defaultParallelism): RDD[T] = withScope {
    assertNotStopped()
    new ParallelCollectionRDD[T](this, seq, numSlices, Map[Int, Seq[String]]())
  }

ParallelCollectionRDD的分区原理

getPartitions方法源码

该方法返回分区列表；
调用ParallelCollectionRDD伴生对象中slice方法实现数据分区；
根据分区后的数据列表，构建返回arallelCollectionPartition 的列表；

  override def getPartitions: Array[Partition] = {
    val slices = ParallelCollectionRDD.slice(data, numSlices).toArray
    slices.indices.map(i => new ParallelCollectionPartition(id, i, slices(i))).toArray
  }

slice方法源码

分区规则
	返回一个分区迭代器：迭代器元素为一个个元组，元组中存放每个分区开始和结束位置
	开始：分区id * 数据长度 / 分区数
	结束：（分区id + 1） * 数据长度 / 分区数
说明
	针对range集合，将每个分区编码为一个range；该操作有利于减小内存开销，对于大数据集的处理非常高效；

def slice[T: ClassTag](seq: Seq[T], numSlices: Int): Seq[Seq[T]] = {
	// 保证分区数 > 0
    if (numSlices < 1) {
      throw new IllegalArgumentException("Positive number of partitions required")
    }
    
    // 数据分区实现逻辑：
    // 返回一个分区迭代器：迭代器元素为一个个元组，元组中存放每个分区开始和结束位置
    // 开始：分区id * 数据长度 / 分区数
    // 结束：（分区id + 1） * 数据长度 / 分区数
    def positions(length: Long, numSlices: Int): Iterator[(Int, Int)] = {
      (0 until numSlices).iterator.map { i =>
        val start = ((i * length) / numSlices).toInt
        val end = (((i + 1) * length) / numSlices).toInt
        (start, end)
      }
    }
    seq match {
      //对于range集合，将根据分区规则分区后的数据，每个分区构建一个range；最后返回一个新的range集合
      case r: Range =>
        positions(r.length, numSlices).zipWithIndex.map { case ((start, end), index) =>
          // 针对inclusive的range，最后一个分区使用Inclusive方法构建
          if (r.isInclusive && index == numSlices - 1) {
            new Range.Inclusive(r.start + start * r.step, r.end, r.step)
          }
          else {
            new Range(r.start + start * r.step, r.start + end * r.step, r.step)
          }
        }.toSeq.asInstanceOf[Seq[Seq[T]]]
      // 对于NumericRange集合，将根据分区规则分区后的数据，每个分区构建一个NumericRange；最后返回一个以NumericRange为元素的ArrayBuffer
      case nr: NumericRange[_] =>
        // For ranges of Long, Double, BigInteger, etc
        val slices = new ArrayBuffer[Seq[T]](numSlices)
        var r = nr
        for ((start, end) <- positions(nr.length, numSlices)) {
          val sliceSize = end - start
          slices += r.take(sliceSize).asInstanceOf[Seq[T]]
          r = r.drop(sliceSize)
        }
        slices
      //对于其他的集合，利用array的slice方法根据分区规则对数据进行分区后；最后返回一个新的集合；
      case _ =>
        val array = seq.toArray // To prevent O(n^2) operations for List etc
        positions(array.length, numSlices).map { case (start, end) =>
            array.slice(start, end).toSeq
        }.toSeq
    }
  }

参考文件

spark算子-textFile算子
RDD编程指南
spark 创建算子源码解析
【spark】RDD分区解析
深入源码理解Spark RDD的数据分区原理