一、spark 分区 partition 的理解
spark中是以vcore级别调度task的。
如果读取的是hdfs,那么有多少个block,就有多少个partition
举例来说:sparksql 要读表T, 如果表T有 1w 个小文件,那么就有 1w 个partition
这时候读取效率会较低。假设设置资源为 --executor-memory 2g --executor-cores 2 --num-executors 5
步骤是拿出1-10号10个小文件(也就是10个partition)分别给5个executor读取(spark调度会以vcore为单位,
实际就是5个executor,10个task读10个partition)
如果5个executor执行速度相同,再拿11-20号文件 依次给这5个executor读取
而实际执行速度不会完全相同,那就是哪个task先执行完,哪个task领取下一个partition读取执行,以此类推。
这样往往读取文件的调度时间大于读取文件本身,而且会频繁打开关闭文件句柄,浪费较为宝贵的io资源,执行效率也大大降低。
二、coalesce 与 repartition的区别
repartition(numPartitions:Int):RDD[T] 和 coalesce(numPartitions:Int,shuffle:Boolean=false):RDD[T]
repartition只是coalesce接口中shuffle为true的实现
reparation是coalesce的特殊情况, reparation会将coalesce中的shuffle参数设置为true,会重新混洗分区,
如果原有分区数据不均匀可以用reparation来重新混洗分区,使数据均匀分布,重新混洗过的分区和新的分区时宽依赖的关系
coalesce shuffle参数为false的情况, 不会重新混洗分区, 它是合并分区, 比如把原来1000个分区合并成100个,
父rdd和子rdd是窄依赖
我们还拿上面的例子说:
有1w的小文件,资源也为--executor-memory 2g --executor-cores 2 --num-executors 5
repartition(4):产生shuffle。这时会启动5个executor像之前介绍的那样依次读取1w个分区的文件,然后按照某个规则,
写到4个文件中,这样分区的4个文件基本毫无规律,比较均匀。
coalesce(4, false):这个coalesce不会产生shuffle。那启动5个executor在不发生shuffle的时候是如何生成4个文件呢,其实会
有1个或2个或3个甚至更多的executor在空跑(具体几个executor空跑与spark调度有关,与数据本地性有关,与spark集群负载有关)
,他并没有读取任何数据!
PS:
1.如果结果产生的文件数要比源RDD partition多,用coalesce(numParttions, false)是实现不了的,
例如有4个小文件(4个partition),你要生成5个文件用coalesce实现不了,也就是说不产生shuffle,无法实现文件数变多。
2.如果你只有1个executor(1个core),源RDD partition有5个,你要用coalesce(2, false)产生2个文件。那么他是预分
partition 到executor上的,
例如0-2号分区在先executor上执行完毕,3-4号分区再次在同一个executor执行。
其实都是同一个executor但是前后要串行读不同数据。与用repartition(2)在读partition上有较大不同
(串行依次读0-4号partition 做shuffle处理)
三、实例
T表有10G数据 有100个partition 资源也为--executor-memory 2g --executor-cores 2 --num-executors 5。
我们想要结果文件只有一个
1. 如果用coalesce: sql(select * from T).coalesce(1, false)
5个executor 有4个在空跑,只有1个在真正读取数据执行,这时候效率是极低的。所以coalesce要慎用,而且它还会
产生oom问题,这个我们以后再说。
2. 如果用repartition: sql(select * from T).repartition(1)
这样效率就会高很多,并行5个executor在跑(10个task), 然后shuffle到同一节点,最后写到一个文件中
四、总结
我们常认为coalesce不产生shuffle会比repartition 产生shuffle效率高,而实际情况往往要根据具体问题具体分析,coalesce效率
不一定高,有时还有大坑,大家要慎用。
假设RDD有N个分区,需要重新划分成M个分区:
1、N < M: 一般情况下N个分区有数据分布不均匀的状况,利用HashPartitioner函数将数据重新分区为M个,这时需要将shuffle设置为true。
因为重分区前后相当于宽依赖,会发生shuffle过程,此时可以使用coalesce(shuffle=true),或者直接使用repartition()。
2、如果N > M 并且N和M相差不多(假如N是1000,M是100): 那么就可以将N个分区中的若干个分区合并成一个新的分区,最终
合并为M个分区,
这时前后是窄依赖关系,可以使用coalesce(shuffle=false)。
3、如果 N > M 并且两者相差悬殊: 这时如果将shuffle设置为false,父子RDD是窄依赖关系,他们同处在一个 Stage 中,就
可能造成spark程序的并行度不够,从而影响性能,
如果在M为1的时候,为了使coalesce之前的操作有更好的并行度,可以将shuffle设置为true。
注意: 如果传入的参数大于现有的分区数目,而shuffle为false,RDD的分区数不变,也就是说不经过shuffle,是无法将RDD的分区数变多的。