pySpark，执行算子show(1)导致并行度不对的问题

在spark里，一个action算子会生成一个job，一个重分区算子形成宽依赖会划分出前后两个stage。

spark会先读取代码然后生成执行计划，这个过程中，每个rdd和dataframe的分区数会计算出来，在driver端print的内容也会打印出来（代码日志），等于把整个spark代码加载的一个过程。

然后再执行转换算子里的操作，操作里的打印内容在executor端打印出来，

最后执行action算子的操作，把action算子的结果在driver端（代码日志）打印出来。

def read_hive_table(self, start=-1, length=1):
    读取hdfs路径生成rdd转df
    print "1. df的分区个数：", task_df.rdd.getNumPartitions()
    df.show(1)
    return df

def process_detour_reason(self, data_df):
    print "2. df的分区个数：", data_df.rdd.getNumPartitions()
    定义udf1
    data_df_1 = data_df.repartition(8).withColumn(XXX, udf1(XXXX))
    print "3. df的分区个数：", data_df_2.rdd.getNumPartitions()
    data_df_1.show(1)

def process(self):
    table_data_df = self.read_hive_table(-1, 1)
    table_result_df_1 = self.process_detour_reason(table_data_df)
    self.fs.write_fs_for_df(table_result_df_2, "XXXX")

当执行到函数process_detour_reason时，会发现打印内容如下：

2. df的分区个数： 10
3. df的分区个数： 8
----process_detour_reason函数任务执行中-----

此时正在执行process_detour_reason函数，df的每一条数据在调用udf进行处理，但是发现此时task并未按照预期的开8个分区并行计算，而是只运行了1个task。

原因如下：

spark中一个action算子触发一个job，会将整个job里的转换算子全部执行一遍（数据转换），最后通过action算子进行数据输出到driver端；

也就是说，因为有action算子show(1)的存在，df的repartition和withColumn这两个数据转换算子会得以生效，但是show(1)比较特殊，因为其只需要返回1条数据，所以内部做了优化，只会计算一个分区的数据，然后返回一条到driver端，这也就是为什么在spark的ui中看到这一步骤只有一个task在执行；

因为在这个job里，8个分区，只会执行1个分区的数据，计算完毕后，通过show(1)返回给driver端；

那剩下7个分区的数据什么时候执行呢？在最后saveAs将df的数据存储下来时，由于save也是一个action算子，所以触发save算子时，会执行剩下7个分区的udf计算。

总结：

1. 一般一个spark代码里，除非涉及数据的临时保存，需要用到persist、cache等，只需要在代码结尾处设置一个action算子即可，这样action算子之前的所有转换操作都会得到执行；

2. spark代码的预加载机制，会在生成dag图时，把代码里的print执行出来，所以并不是print1，udf执行，再print2；而是print1，print2，加载完毕dag生成，udf执行；

3. rdd转dataframe后，分区数不变；

4. df.repartition().转换算子，会先重分区，再执行转换算子；

5. repartition()用于增加或减少分区数，coalesc()只用于减少分区数；

6. show(1)一般用于代码调试，实际运算时，建议用count()作为执行算子，这样不会对重分区造成影响；

7. 查询df的分区数：df.rdd.getNumPartitions()

spark代码的执行过程：

先从前往后执行，加载代码，遇到action算子后，生成一个job，然后从后往前划分stage，然后再从前往后执行。