Spark 之 partitons

Listing leaf files and directories

分析其并行化

org.apache.spark.util.HadoopFSUtils

复制代码
      sc.parallelize(paths, numParallelism)
        .mapPartitions { pathsEachPartition =>
          val hadoopConf = serializableConfiguration.value
          pathsEachPartition.map { path =>
            val leafFiles = listLeafFiles(
              path = path,
              hadoopConf = hadoopConf,
              filter = filter,
              contextOpt = None, // Can't execute parallel scans on workers
              ignoreMissingFiles = ignoreMissingFiles,
              ignoreLocality = ignoreLocality,
              isRootPath = isRootLevel,
              parallelismThreshold = Int.MaxValue,
              parallelismMax = 0)
            (path, leafFiles)
          }
        }.collect()

    // Set the number of parallelism to prevent following file listing from generating many tasks
    // in case of large #defaultParallelism.
    val numParallelism = Math.min(paths.size, parallelismMax)

parallelismMax 最终由以下配置决定。

复制代码
  val PARALLEL_PARTITION_DISCOVERY_PARALLELISM =
    buildConf("spark.sql.sources.parallelPartitionDiscovery.parallelism")
      .doc("The number of parallelism to list a collection of path recursively, Set the " +
        "number to prevent file listing from generating too many tasks.")
      .version("2.1.1")
      .internal()
      .intConf
      .createWithDefault(10000)
相关推荐
罗***S5 分钟前
从短住到长住:酒店与服务式公寓的管理差异,远不止入住天数
大数据·公寓管理·长短租酒店管理·长短租一体化
电子制造自留地20 分钟前
无人机PCB板设计要点:振动、阻抗与散热的工程考量
大数据·科技·无人机·制造·科普
塔望品牌咨询23 分钟前
食品品牌BC联动的结构化方法:从招商配称、消费者指名到终端动销
大数据
玩美数据32 分钟前
全球化本地化大数据调研解决方案是什么?主要包含哪些核心能力?
大数据
注塑机数据采集联网1 小时前
注塑机数据采集网关读取注塑机工艺/SPC数据计算原理
大数据·网络·数据仓库·物联网·智能路由器·制造
数据与AI工程手记1 小时前
数据治理落地为什么这么难?
大数据
本原财经1 小时前
大厂争霸AI办公:个人Agent和AI硬件哪个才是答案?
大数据·人工智能
csdn2015_2 小时前
git 合并分支
大数据·git·elasticsearch
西木莉2 小时前
人机协同:无人机航拍大数据助力灾害应急评估
大数据·无人机
东莞和裕包装2 小时前
怎么判断一个纸箱能不能满足长途海运要求?核心看哪几个性能指标?
大数据