Spark 创建RDD、DataFrame各种情况的默认分区数

前言

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定义的(均在类SparkContext里):

def defaultMinPartitions: Int = math.min(defaultParallelism, 2)
def defaultParallelism: Int = {
    assertNotStopped()
    taskScheduler.defaultParallelism
  }

2、关于sc.defaultParallelism

2.1 首先可通过spark.default.parallelism设置sc.defaultParallelism的值

2.1.1 在文件中配置

在文件spark-defaults.conf添加一行(这里用的我的windows环境)

  • spark.default.parallelism=20 验证: 在spark-shell里输入sc.defaultParallelism,输出结果为20

2.1.2 在代码里配置 val spark = SparkSession.builder() .appName("TestPartitionNums") .master("local") .config("spark.default.parallelism", 20) .getOrCreate() val sc = spark.sparkContext println(sc.defaultParallelism) spark.stop

2.2 没有配置spark.default.parallelism时的默认值

2.2.1 spark-shell

spark-shell里的值等于cpu的核数,比如我的windows的cpu的核数为4

再比如测试机的核数为8

2.2.2 指定master为local

  • 注:在spark-shell里通过–master local和在代码里通过.master(“local”)的结果是一样的,这里以spark-shell为例 当master为local时,值为1,当master为local[n]时,值为n

2.2.3 master为local[*]和不指定master(2.2.1)一样,都为cpu核数

2.2.4 master为yarn master为yarn模式时为分配的所有的Executor的cpu核数的总和或者2,两者取最大值,将2.1.2的代码的master注释掉并打包,然后用下面的脚本执行测试 test.sh spark-submit --num-executors $1 --executor-cores 1 --executor-memory 640M --master yarn --class com.dkl.leanring.spark.TestPartitionNums spark-scala_2.11-1.0.jar

  • 之所用这种方式不用spark-shell是因为这种方式截图的话,占得空间比较小
  • 因为yarn模式时使用的cpu核数为虚拟的cpu核数,和实际cpu的核数有偏差,具体应该和yarn的配置有关,而且根据结果,每次申请的实际的cpu核数不完全一样,这里没有去深究原因

2.2.5 Standalone、其他集群模式 因本人工作用yarn模式,Standalone和其他模式没法在这里截图验证了,根据网上的资料,应该和yarn模式默认值是一样的。

3、HDFS文件的默认分区

这里及后面讨论的是rdd和dataframe的分区,也就是读取hdfs文件并不会改变前面讲的sc.defaultParallelism和sc.defaultMinPartitions的值。

3.1 测试用HDSF上得txt文件创建的RDD的分区数

rdd的分区数 = max(hdfs文件的block数目, sc.defaultMinPartitions)

3.1.1 测试大文件(block的数量大于2)

这里我上传了一个1.52G的txt到hdfs上用来测试,其中每个block的大小为默认的128M,那么该文件有13个分区

  • 1.52*1024/128=12.16

用下面代码可以测试读取hdfs文件的分区数

val rdd = sc.textFile("hdfs://ambari.master.com/data/egaosu/txt/20180416.txt")
rdd.rdd.getNumPartitions

这种方式无论是sc.defaultParallelism大于block数还是sc.defaultParallelism小于block数,rdd的默认分区数都为block数

  • 注:之所以说是默认分区,因为textFile可以指定分区数,sc.textFile(path, minPartitions),通过第二个参数可以指定分区数 sc.defaultMinPartitions大于block数

sc.defaultMinPartitions小于block数

当用参数指定分区数时,有两种情况,当参数大于block数时,则rdd的分区数为指定的参数值,否则分区数为block数

3.1.2 测试小文件(block数量等于1)

这种情况的默认分区数为sc.defaultMinPartitions,下面是对应的hdfs文件:

将上面的hdfs路径改为:hdfs://ambari.master.com/tmp/dkl/data.txt,结果:

当用参数指定分区数时,rdd的分区数大于等于参数值,本次测试为等于参数值或参数值+1

3.2 测试读取hive表创建的DataFrame的分区数

下面是该表的hdfs路径,从下面的图可以看出该表对应的hdfs文件的block的数目为10(2*5)

用下面的代码测试:

//切换数据库
spark.sql("use route_analysis")
//读取该数据库下的egaosu表为df
val df = spark.table("egaosu")
//打印df对应的rdd的分区数
df.rdd.getNumPartitions

测试发现,当sc.defaultParallelism大于block时,df的分区是等于sc.defaultParallelism,当小于block时,df的分区数介于sc.defaultParallelism和block之间,至于详细的分配策略,我还没有查到~

  • 用spark.sql(“select * from egaosu”)这种方式得到df和上面的分区数是一样的
  • 上面讲的是我经常使用的几种读取hdfs文件的方法,至于利用其他方法读取hdfs文件的默认的分区,大家可以自己测试(比如csv,json文件,因我没有比较大的hdfs文件就不做测试了) 4、非HDFS文件的默认分区(本地文件)
  • 实际工作中用到本地文件的情况很少,一般都是hdfs、关系型数据库和代码里的集合 4.1 sc.textFile() 4.1.1 小文件 默认的分区数为sc.defaultMinPartitions 新建一个测试文件text.txt,内容自己造几行

当用参数指定分区数时,本以为分区数为指定的参数值,结果经测试,当参数值在一定的范围内分区数确实为指定的参数值,当参数值大于某个数值时,分区数实际比参数值大一点,不知道是不是Spark的bug还是有自己的策略,如下图:

4.1.2 大文件

文件大小为1142M,经测试本地文件也会像hdfs一样进行类似于block的划分,固定按32M来分片(这里的32M参考Spark RDD的默认分区数:(spark 2.1.0)

所以应该默认有36个分区(1142/32=35.6875),而当用参数值指定时,参数小于block时,分区数为block的数目,大于block时,分区数为参数值

4.2 spark.read.csv()

默认分区数为1

5、关系型数据库

从关系型数据库表读取的df的分区数为1,以mysql为例,我这里拿一张1000万条数据的表进行测试

Spark连接mysql的代码可以参考Spark Sql 连接mysql

6、从代码里的内部数据集创建

6.1 sc.parallelize()创建RDD

默认分区数等于sc.defaultParallelism,指定参数时分区数值等于参数值。

6.2 spark.createDataFrame(data)创建DataFrame

当data的长度小于sc.defaultParallelism,分区数等于data长度,否则分区数等于sc.defaultParallelism

如图:

6.3 代码

下面是上面图中的代码:

package com.dkl.leanring.spark

import org.apache.spark.sql.SparkSession

object TestPartitionNums {
  def main(args: Array[String]): Unit = {
    val spark = SparkSession.builder()
      .appName("TestPartitionNums")
      .master("local")
      .config("spark.default.parallelism", 8)
      .getOrCreate()

    val sc = spark.sparkContext

    println("默认的并行度: " + sc.defaultParallelism)

    println("sc.parallelize 默认分区:" + sc.parallelize(1 to 30).getNumPartitions)
    println("sc.parallelize 参数指定,参数大于sc.defaultParallelism时:" + sc.parallelize(1 to 30, 100).getNumPartitions)
    println("sc.parallelize  参数指定,参数小于sc.defaultParallelism时:" + sc.parallelize(1 to 30, 3).getNumPartitions)

    var data = Seq((1, 2), (1, 2), (1, 2), (1, 2), (1, 2))

    println("spark.createDataFrame data的长度小于sc.defaultParallelism时,长度:" + data.length + " 分区数:" + spark.createDataFrame(data).rdd.getNumPartitions)
    data = Seq((1, 2), (1, 2), (1, 2), (1, 2), (1, 2), (1, 2), (1, 2), (1, 2), (1, 2), (1, 2), (1, 2), (1, 2))
    println("spark.createDataFrame data的长度大于sc.defaultParallelism时,长度:" + data.length + " 分区数:" + spark.createDataFrame(data).rdd.getNumPartitions)

    spark.stop
  }
}

6、其他改变分区数的算子

6.1 分区数为1

上面已经讲过几个分区数为1(当默认的并行度大于1时)的情况: 1、spark.read.csv()读取本地文件 2、读取关系型数据库表 上面是从外部数据源加载进来就为1的情况,还有就是对df或rdd进行转换操作之后的分区数为1的情况: 1、df.limit(n)

6.2 分区数不为1的情况

df.distinct()分区数为200

如图:

7、合理的设置分区数

根据自己集群的情况和数据大小等合理设置分区的数目,对于Spark性能调优很有必要,根据前面讲的可知,可通过配置spark.default.parallelism、传参设置分区数,遇到那些分区数为1的特殊算子可以利用repartition()进行重新分区即可。

8、总结

本文首先讲了各种情况下的sc.defaultParallelism,defaultMinPartitions,然后讲了各种情况下创建以及转化RDD、DataFrame的分区数,因为Spark的外部数据源很多,创建以及转化RDD、DataFrame的方法和算子也很多,所以主要是讲了我个人常用的各种情况,并不能包含所有情况,至于其他情况,大家可以自己测试总结。还有一点就是本文并没有从源码的层次去分析,只是总结一些规律,对于前面提到的一些还不太清楚的规律,以后如果有时间的话可以从源码的层次去分析为什么~

本文由 董可伦 发表于 伦少的博客 ,采用署名-非商业性使用-禁止演绎 3.0进行许可。

非商业转载请注明作者及出处。商业转载请联系作者本人。

本文标题:Spark 创建RDD、DataFrame各种情况的默认分区数

本文链接:https://dongkelun.com/2018/08/13/sparkDefaultPartitionNums/

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏散尽浮华

Python-操作Memcache、Redis、RabbitMQ、

Memcache 简述:      Memcache是一套分布式的高速缓存系统,由LiveJournal的Brad Fitzpatrick开发,但目前被许多网站...

3467
来自专栏coder修行路

rabbitmq redis

RabbitMQ RabbitMQ是一个在AMQP基础上完整的,可复用的企业消息系统。 对于RabbitMQ来说,生产和消费不再针对内存里的一个Queue对象,...

3428
来自专栏我的博客

位运算权限控制

大家玩Linux的时候应该知道读1写2执行4,其实这样的数据都是因为位运算 比如:在网站中经常使用的权限控制(增删改的权限)[很多大公司都是使用这个] 使用三位...

39312
来自专栏FreeBuf

HTTP认证的底层技术简析与揭秘

写在前面的话 HTTP认证实现的基础是Web服务器与浏览器之间能够安全地交换类似用户名和密码这样的用户凭证,我们也可以把HTTP认证当作是摘要验证(Digest...

2059
来自专栏芋道源码1024

分布式作业系统 Elastic-Job-Lite 源码分析 —— 作业监听器

摘要: 原创出处 http://www.iocoder.cn/Elastic-Job/job-listener/ 「芋道源码」欢迎转载,保留摘要,谢谢!

1073
来自专栏分布式系统和大数据处理

.Net Remoting(分离服务程序实现) - Part.3

在上面Remoting基本操作的范例中,我们发现了这样一个情况:即是 客户应用程序 仍然需要引用 服务程序集(ServerAssembly),因为它需要Demo...

911
来自专栏熊训德的专栏

Hbase compaction 源码分析一:compaction 概况分析

本文档从框架的源码角度梳理了,hbase 在什么情况下会触发compaction,并通过官方文档说明出发minor 和major compaction的时间点。

4531
来自专栏炉边夜话

JNI使用技巧点滴(二)

作者:normalnotebook 背景<?xml:namespace prefix = o ns = "urn:schemas-microsoft-com...

1652
来自专栏芋道源码1024

分布式消息队列 RocketMQ 源码分析 —— Message 拉取与消费(上)

摘要: 原创出处 http://www.iocoder.cn/RocketMQ/message-pull-and-consume-first/ 「芋道源码」欢迎...

3566
来自专栏我是攻城师

Spark如何读取Hbase特定查询的数据

3605

扫码关注云+社区

领取腾讯云代金券