原文链接:https://www.maiyewang.com/?p=606
Spark经常需要从hdfs读取文件生成RDD,然后进行计算分析。这种从hdfs读取文件生成的RDD就是HadoopRDD。那么HadoopRDD的分区是怎么计算出来的?如果从hdfs读取的文件非常大,如何高效的从hdfs加载文件生成HadoopRDD呢?本篇文章探讨这两个问题。
SparkContext.objectFile方法经常用于从hdfs加载文件,从加载hdfs文件到生成HadoopRDD的函数调用过程为:
SparkContext.objectFile->
SparkContext.sequenceFile->
SparkContext.hadoopFile->
new HadoopRDD
SparkContext.objectFile方法定义如下:
def objectFile[T: ClassTag](
path: String,
minPartitions: Int = defaultMinPartitions): RDD[T] = withScope {
assertNotStopped()
sequenceFile(path, classOf[NullWritable], classOf[BytesWritable], minPartitions)
.flatMap(x => Utils.deserialize[Array[T]](x._2.getBytes, Utils.getContextOrSparkClassLoader))
}
def defaultMinPartitions: Int = math.min(defaultParallelism, 2)
从以上代码可知如果不设置加载的hdfs文件生成的HadoopRDD的分区个数,默认最小分区个数是2
SparkContext.objectFile方法的minPartitions参数没有改变,一直传递到HadoopRDD的构造函数
HadoopRDD.getPartitions方法用于创建HadoopRDD的分区。
在本篇文章中,以如下语句加载hdfs文件创建HadoopRDD,创建的HadoopRDD分区个数最小是24个
val login1RDD = sc.objectFile[String]("/data/login/1448419800022", 24)
hdfs uri为:hdfs://ddos12/
hdfs上/data/login/1448419800022/目录内的文件情况,如下图所示:
目录下存在12个文件,12个文件总共10974245字节,如果按照24个分区计算,平均一个分区是457260字节
分区的 创建在HadoopRDD.getPartitions方法:
override def getPartitions: Array[Partition] = {
val jobConf = getJobConf()
// add the credentials here as this can be called before SparkContext initialized
SparkHadoopUtil.get.addCredentials(jobConf)
val inputFormat = getInputFormat(jobConf)
if (inputFormat.isInstanceOf[Configurable]) {
inputFormat.asInstanceOf[Configurable].setConf(jobConf)
}
/*
* 确定当前目录下有多少个分区,分区个数最小是minPartitions,以及每个分区多大,每个分区的数据所在的文件,分区数据在文件中的起始位置
* */
val inputSplits = inputFormat.getSplits(jobConf, minPartitions)
val array = new Array[Partition](inputSplits.size)
for (i <- 0 until inputSplits.size) {
/*创建分区*/
array(i) = new HadoopPartition(id, i, inputSplits(i))
}
array
}
根据上面的文件,创建的分区大概信息如下:
可见总共创建了25个分区,通过上图可得出结论在切分hdfs目录中的文件的时候,对每个文件按照分区平均长度457260进行切分,每个分区的长度不能大于457260.比如说part-00009文件,切分成了3个分区,最后一个分区的长度只有62107字节
下图表示了一个index为1分区的详细信息:
可见里面包含了分区所在的hdfs的文件,以及分区数据在这个文件的起始位置,分区的大小
但是默认情况下,HadoopRDD一个分区最大是128M,假设一个文件大小是1G+10M,但是我设置4个分区,那么在计算分区个数的时候会计算为9个分区,最后一个分区大小为10M。