Spark在创建RDD时设置分区不起作用

今天在练习Spark代码的时候遇到一个奇怪的现象：
这是我的原始数据，在idea中创建一个txt文件：

这是我的代码：

val rdd: RDD[String] = sc.textFile("input/test.txt", 3)	// 设置分区数为3
rdd.saveAsTextFile("output")

结果出现了四个分区：

要想解决这个问题，首先应该明确两个点：

1. 分区数量到底是多少？
2. 每个分区到底存储什么数据？

遇事不决查看源码。点开textFile方法的源码：
在代码的最后一行，我看到了hadoopFile、TextInputFormat。因此可以基本断定，Spark读取文件的方式就是Hadoop读取文件的方式。

Hadoop在计算分区大小时，需要知道：文件总大小totalSize和每个分区应该读的字节大小goalSize = totalSize / 传入的分区数。当goalSize不为整数时，还需要判断是否超过SPLIT_SLOP （1.1）。以便决定是否创建新的分区。

因此我首先判断文件的总大小。使用NotePad++工具打开：
让我没想到的是一共有7个字符！
紧接着计算分区数：7 / 3 = 2余1。1/2大于2*0.1。因此还需要创建一个分区，因此应该是四个分区才对。
这样，第一个问题就解决了，分区数应该是4个。
那么每个分区到底存多少个数据呢？
根据Hadoop默认的读取数据的原则，以偏移量为基准按行读取。因此每个分区文件应该读goalSize = 7 / 3 = 2，每个文件读两个字节。但由于Hadoop按行读取的原则，因此不论goalSize是多少，每次都要读取一行。文字演示：
为了验证上述的结论，我重新设置了一组数据：

仍然设置分区数为3：

val rdd: RDD[String] = sc.textFile("input/test.txt", 3)
rdd.saveAsTextFile("output")

分区数为4，我按照上述思路进行分析：
感兴趣的同学可以自行验证一下。