【大数据学习 | Spark-Core】详解分区个数

RDD默认带有分区的，那么创建完毕rdd以后他的分区数量是多少？

从hdfs读取文件的方式是最正规的方式，我们通过计算原理可以推出blk的个数和分区数量是一致的，本地化计算。

我们可以发现数据的读取使用的是textInputFormat，读取的数据内容是文本。

实现InputFormat接口必须实现getSplits和getRecordReader两个方法。FireInputFormat接口继承了InputFormat接口，实现了文件的切分（getSplits方法），而TextInputFormat类与ORCInputFormat继承并实现了FireInputFormat接口。TextInputFormat类实现了getRecordReader方法，即读取器为LineRecordReader，即对文本数据一行一行读取。

数据结构的实现由上图进行规划

FileInputFormat中对于文件的切分进行了分割，切分几个部分就可以实现分区的个数。

文件在hdfs存储的文件在spark中的使用是不同的。

存储的时候单位是block块 128M。

读取的时候是以spark为主，spark的读取大小叫做split切片。默认情况下，split-size = block-size。

千万要将存储和计算区分开。

分区的多少完全看切片是多少 ，和hdfs的存储无关，但是如果切片大小和block的大小一致的话那么就可以实现本地化计算，即不需要从其他机器通过网络传输或拉取一些数据到本地的executor进行计算。

numSplits的个数可以由参数传入。

由读取的总的数据量totalSize / 期望分区的个数goalSize可以得到期望切片的大小。

计算规则：块的大小与期望切片的大小取最小值，但二者最小值不能小于配置的minSize。否则按照minSize大小进行切片划分分区。

以上是源码逻辑分析

计算规则演示如下：

代码演示如下：

bash 复制代码

#追加形式增大文件的大小
cat word.txt >> word1.txt 
cat word.txt >> word2.txt

最终形成结果为上图

分区数量为4

然后继续增加文件

bash 复制代码

cat word.txt >> word3.txt

结果如上图：

最终分区数量为5

在读取hdfs的文件的时候，一般文件都比较大，所以期望分区在不设定的时候默认值是2，切片大小肯定大于128M，那么以128M为主肯定切片和block的数量是一致的。

集合并行化。

根据集群中的核数进行适配，启动的时候有几个核，产生分区数量就是几个。

因为在计算的过程中，我们是为了做测试，为了达到最大的性能，所以分区数量会自己适配。