Spark 创建RDD、DataFrame各种情况的默认分区数_spark 分区数

相关文章推荐

幸福的骆驼 · ansible-playbook安装tomc ...· 11 月前 ·

千杯不醉的牙膏 · TreeView 概述 - WPF ...· 1 年前 ·

想发财的镜子 · 【Python】xlwingsでExcelマ ...· 1 年前 ·

咆哮的生菜 · UNC路径-共享文件夹与访问_unc地址_H ...· 1 年前 ·

大气的书包 · protobuf ...· 2 年前 ·

前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击跳转到网站： https://www.captainai.net/dongkelun

熟悉Spark的分区对于Spark性能调优很重要，本文总结Spark通过各种函数创建RDD、DataFrame时默认的分区数，其中主要和sc.defaultParallelism、sc.defaultMinPartitions以及HDFS文件的Block数量有关，还有很坑的某些情况的默认分区数为1。

如果分区数少，那么并行执行的task就少，特别情况下，分区数为1，即使你分配的Executor很多，而实际执行的Executor只有1个，如果数据很大的话，那么任务执行的就很慢，好像是卡死了~，所以熟悉各种情况下默认的分区数对于Spark调优就很有必要了，特别是执行完算子返回的结果分区数为1的情况，更需要特别注意。（我就被坑过，我已经分配了足够多的Executor、默认的并行度、以及执行之前的数据集分区数，但分区数依然为1）

1、关于 sc.defaultMinPartitions

sc.defaultMinPartitions=min(sc.defaultParallelism,2)
也就是sc.defaultMinPartitions只有两个值1和2，当sc.defaultParallelism>1时值为2，当sc.defaultParallelism=1时，值为1
上面的公式是在源码里

本文来自dongkelun，讲各种情况下的sc.defaultParallelism，defaultMinPartitions，各种情况下创建以及转化。熟悉 Spark 的分区对于 Spark 性能调优很重要，本文总结 Spark 通过各种函数创建 RDD 、 DataFrame 时默认的分区数，其中主要和sc.defaultParallelism、sc.defaultMinPartitions以及HDFS文件的Block数量有关，还有很坑的某些情况的默认分区数为1。如果分区数少，那么并行执行的task就少，特别情况下，分区数为1，即使你分配的Executor很多，而实际执行的Executor只有1个，如果数据 scala> val df = spark . spark Context.make RDD (1.to(100), 4).toDF("id") df: org.apache. spark .sql. DataFrame = [id: int] scala> // 获取分区个数 scala> val partition_num=df. rdd .partitions.length partition_num: Int = spark 项目中发现从hive读取的数据， dataframe 无法进行reparation的设置，非得转成 rdd 才可以？？？后来经过查阅资料和测试，原来是submit中设置的参数问题： --conf spark .sql.adaptive.enabled=true 谨慎使用由于 spark .sql.adaptive.enabled设置成true就是开启动态分区了,自定义分区数将不管用；我们设置成 false 后自定义分区数就管用了！！！相关参数： spark .sql.adapt.. object Spark 04 { def main(args: Array[String]): Unit = { //1. 创建 Spark Conf并设置App名称，使用本地模式开启两核 val conf = new Spark Conf().setMaster("local[2]").setAppNa ① Ctrl + B 进入textFiletextFile底层其实就是通过去读文件② Ctrl + B 进入hadoopFile>>可以发现里面New了一个Hadoop RDD 实例③Ctrl + B 进入Hadoop RDD 类重点关注里面的方法>> 拆解分析1：最终返回的是一个partition数组>> 拆解分析2：inputSplits是通过getInputFormat(jobConf).getSplits(jobConf, minPartitions)获取，所以需要进入方法。 hdfs中的block是分布式存储的最小单元，类似于盛放文件的盒子，一个文件可能要占多个盒子，但一个盒子里的内容只可能来自同一份文件。partition 是指的 spark 在计算过程中，生成的数据在计算空间内最小单元，同一份数据（ RDD ）的partition 大小不一，数量不定，是根据application里的算子和最初读入的数据分块数量决定的，这也是为什么叫“弹性分布式”数据集的原因之一。我们需要注意的是，只有Key-Value类型的 RDD 才有分区的，非Key-Value类型的 RDD 分区的值是None的。现如今 Spark 已经得到了几乎所有大数据企业的认可，而这些企业也迅速将自己的产品与 Spark 进行了紧密地集成。所以，作为现在最热门的几大分布式大数据计算引擎之一， Spark 几乎是大数据工程师的必修课，而 RDD 作为 Spark 框架的灵魂所在，也是我们所必须熟悉并掌握的。今天有这么个需求与本篇相关的部分就是：我需要从hive的一张表根据其中某个字段去提取timestamp 作为时间分区字段用insert into 得开启动态分区再一个问题就是系统需要新建分区几千个。根据报错内容查了一下因为hive on spark 环境jar包问题所致但是懒得去弄了。成功解决引擎问题小文件合并问题动态分区数过多超限问题。我们是用的hive on spark ，一开始就报错。然后查看yarn的日志里报错内容。 spark 读取hive table时分区数由什么决定这个话题比较复杂，他不是一个单一的指标的来决定。主要是取决于表存储的文件大小，hdfs的块文件大小，hive是否是分区表，如果是分区表一个hive表分区一个hadoop RDD , 最后会union成一个 RDD ，如果不是分区表就是一个Hadoop RDD 。如果hive底层存储单个文件大小超过块大小，这一个文件的读取就会被hdfs的块大小除以max(“mapreduce.job.maps”,2)来划分，如果块大于文件大小就使用文件大小除以max(“mapred