翻开源码看Spark如何确立rdd的分区数
这大概是个爷爷不疼奶奶不爱的问题,但是很多小伙伴还是不太清楚的。借机开始spark的源码阅读之旅。
RDD 分区确定
翻开DataSourceScanExec的源码,会发现产生rdd有两个方法:
- createBucketedReadRDD
- createNonBucketedReadRDD
这样的分类,和hive的bucket机制有比较大的渊源,bucket可以将key值相同的数值合并在一起,同时又不像partition那样为每个key值建立一个文件夹。stackOverFlow中有个不错的回答: HIVE中partition和bucket的区别
Ok,我们主要来关注一般的情况,就是Non Bucketed创建Rdd时如何分区。代码不长,直接贴进来,注释在代码中:
private def createNonBucketedReadRDD(
readFile: (PartitionedFile) => Iterator[InternalRow],
selectedPartitions: Array[PartitionDirectory],
fsRelation: HadoopFsRelation): RDD[InternalRow] = {
// OpenCost,是一个经验配置值,默认的是4M,啥意思呢?就是你的打开文件的需要消耗的时间成本,然后根据经验,这个时长可以读多少的数据
val openCostInBytes = fsRelation.sparkSession.sessionState.conf.filesOpenCostInBytes
// maxSplitBytes, 看这名字就很关键,后文展开看
val maxSplitBytes =
FilePartition.maxSplitBytes(fsRelation.sparkSession, selectedPartitions)
logInfo(s"Planning scan with bin packing, max size: $maxSplitBytes bytes, " +
s"open cost is considered as scanning $openCostInBytes bytes.")