Spark学习之路 （十二）Spark分区

1、分区的概念

分区是RDD内部并行计算的一个计算单元，RDD的数据集在逻辑上被划分为多个分片，每一个分片称为分区，分区的格式决定了并行计算的粒度，而每个分区的数值计算都是在一个任务中进行的，因此任务的个数，也是由RDD(准确来说是作业最后一个RDD)的分区数决定。

2、为什么要进行分区

数据分区，在分布式集群里，网络通信的代价很大，减少网络传输可以极大提升性能。mapreduce框架的性能开支主要在io和网络传输，io因为要大量读写文件，它是不可避免的，但是网络传输是可以避免的，把大文件压缩变小文件，   从而减少网络传输，但是增加了cpu的计算负载。

Spark里面io也是不可避免的，但是网络传输spark里面进行了优化：

Spark把rdd进行分区（分片），放在集群上并行计算。同一个rdd分片100个，10个节点，平均一个节点10个分区，当进行sum型的计算的时候，先进行每个分区的sum，然后把sum值shuffle传输到主程序进行全局sum，所以进行sum型计算对网络传输非常小。但对于进行join型的计算的时候，需要把数据本身进行shuffle，网络开销很大。

spark是如何优化这个问题的呢？

Spark把key－value rdd通过key的hashcode进行分区，而且保证相同的key存储在同一个节点上，这样对改rdd进行key聚合时，就不需要shuffle过程，我们进行mapreduce计算的时候为什么要进行shuffle？，就是说mapreduce里面网络传输主要在shuffle阶段，shuffle的根本原因是相同的key存在不同的节点上，按key进行聚合的时候不得不进行shuffle。shuffle是非常影响网络的，它要把所有的数据混在一起走网络，然后它才能把相同的key走到一起。要进行shuffle是存储决定的。

Spark从这个教训中得到启发，spark会把key进行分区，也就是key的hashcode进行分区，相同的key，hashcode肯定是一样的，所以它进行分区的时候100t的数据分成10分，每部分10个t，它能确保相同的key肯定在一个分区里面，而且它能保证存储的时候相同的key能够存在同一个节点上。比如一个rdd分成了100份，集群有10个节点，所以每个节点存10份，每一分称为每个分区，spark能保证相同的key存在同一个节点上，实际上相同的key存在同一个分区。

key的分布不均决定了有的分区大有的分区小。没法分区保证完全相等，但它会保证在一个接近的范围。所以mapreduce里面做的某些工作里边，spark就不需要shuffle了，spark解决网络传输这块的根本原理就是这个。

进行join的时候是两个表，不可能把两个表都分区好，通常情况下是把用的频繁的大表事先进行分区，小表进行关联它的时候小表进行shuffle过程。

大表不需要shuffle。

需要在工作节点间进行数据混洗的转换极大地受益于分区。这样的转换是  cogroup，groupWith，join，leftOuterJoin，rightOuterJoin，groupByKey，reduceByKey，combineByKey 和lookup。

分区是可配置的，只要RDD是基于键值对的即可。

3、Spark分区原则及方法

RDD分区的一个分区原则：尽可能是的分区的个数等于集群核心数目

无论是本地模式、Standalone模式、Yarn模式或Mesos模式，我们都可以通过spark.default.parallelism来配置其默认分区个数，若没有设置该值，则根据不同的集群环境确定该值。

3.1、本地模式

（1）默认方式

以下这种默认方式只有一个分区：（Scala）

import org.apache.spark.{SparkConf, SparkContext}

object Test1 {

  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("Test").setMaster("local")
    val sc = new SparkContext(conf)
    val array = Array(1,2,3)
    val arrayRDD = sc.parallelize(array)
    val numPartitions = arrayRDD.getNumPartitions
    println(numPartitions)

  }
}

运行结果：

（2）手动设置

设置了几个分区就是几个分区：

import org.apache.spark.{SparkConf, SparkContext}

object Test1 {

  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("Test").setMaster("local")
    val sc = new SparkContext(conf)
    val array = Array(1,2,3)
    val arrayRDD = sc.parallelize(array,2)
    val numPartitions = arrayRDD.getNumPartitions
    println(numPartitions)

  }
}

运行结果：

（3）跟 local[n] 有关

n等于几默认就是几个分区

如果n = * 那么分区个数就等于 cpu core的个数

import org.apache.spark.{SparkConf, SparkContext}

object Test1 {

  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("Test").setMaster("local[*]")
    val sc = new SparkContext(conf)
    val array = Array(1,2,3)
    val arrayRDD = sc.parallelize(array)
    val numPartitions = arrayRDD.getNumPartitions
    println("分区个数："+numPartitions)

  }
}

运行结果：

本机电脑查看cpu core，我的电脑 -> 右键管理 -> 设备管理器 - > 处理器

（4）参数控制

import org.apache.spark.{SparkConf, SparkContext}

object Test1 {

  def main(args: Array[String]): Unit = {
    val conf = new SparkConf()
    conf.setAppName("Test").setMaster("local[*]")
    conf.set("spark.default.parallelism","5")
    val sc = new SparkContext(conf)
    val array = Array(1,2,3)
    val arrayRDD = sc.parallelize(array)
    val numPartitions = arrayRDD.getNumPartitions
    println("分区个数："+numPartitions)

  }
}

运行结果：

3.2、Yarn模式

进入defaultParallelism方法

继续进入defaultParallelism方法

这个一个trait，其实现类是（Ctrl+h）

进入TaskSchedulerImpl类找到defaultParallelism方法

继续进入defaultParallelism方法，又是一个trait，看其实现类

Ctrl+h看SchedulerBackend类的实现类

进入CoarseGrainedSchedulerBackend找到defaultParallelism

totalCoreCount.get()是所有executor使用的core总数，和2比较去较大值

如果正常的情况下，那你设置了多少就是多少

4、分区器

（1）如果是从HDFS里面读取出来的数据，不需要分区器。因为HDFS本来就分好区了。

分区数我们是可以控制的，但是没必要有分区器。

（2）非key-value RDD分区，没必要设置分区器

al testRDD = sc.textFile("C:\\Users\\Administrator\\IdeaProjects\\myspark\\src\\main\\hello.txt")
  .flatMap(line => line.split(","))
  .map(word => (word, 1)).partitionBy(new HashPartitioner(2))

没必要设置，但是非要设置也行

（3）Key-value 形式的时候，我们就有必要了。

HashPartitioner

val resultRDD = testRDD.reduceByKey(new HashPartitioner(2),(x:Int,y:Int) => x+ y)
//如果不设置默认也是HashPartitoiner，分区数跟spark.default.parallelism一样
println(resultRDD.partitioner)
println("resultRDD"+resultRDD.getNumPartitions)

RangePartitoner

val resultRDD = testRDD.reduceByKey((x:Int,y:Int) => x+ y)
val newresultRDD=resultRDD.partitionBy(new RangePartitioner[String,Int](3,resultRDD))
println(newresultRDD.partitioner)
println("newresultRDD"+newresultRDD.getNumPartitions)

注：按照范围进行分区的，如果是字符串，那么就按字典顺序的范围划分。如果是数字，就按数据自的范围划分。

自定义分区

需要实现2个方法

import org.apache.spark.{HashPartitioner, Partitioner, SparkConf, SparkContext}

import scala.sys.process.processInternal.URL

class MyPartitioner(val numParts:Int)extends Partitioner {
  override def numPartitions: Int = numParts

  override def getPartition(key: Any): Int = {

    val domain = new URL(key.toString).getHost
    val code = domain.hashCode % numParts
    if (code < 0){
      code + numParts
    } else{
      code
    }

  }
}

object DomainNamePartitioner{
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("word count").setMaster("local")
    val sc = new SparkContext(conf)
    val urlRDD = sc.makeRDD(Seq(("http://baidu.com/test", 2),
      ("http://baidu.com/index", 2),
      ("http://ali.com", 3),
      ("http://baidu.com/tmmmm", 4),
      ("http://baidu.com/test", 4)))
    //Array[Array[(String, Int)]]
    // = Array(Array(),
    // Array((http://baidu.com/index,2), (http://baidu.com/tmmmm,4),
    // (http://baidu.com/test,4), (http://baidu.com/test,2), (http://ali.com,3)))
    val hashPartitionedRDD = urlRDD.partitionBy(new HashPartitioner(2))
    hashPartitionedRDD.glom().collect()

    //使用spark-shell --jar的方式将这个partitioner所在的jar包引进去，然后测试下面的代码
    // spark-shell --master spark://master:7077 --jars spark-rdd-1.0-SNAPSHOT.jar
    val partitionedRDD = urlRDD.partitionBy(new MyPartitioner(2))
    val array = partitionedRDD.glom().collect()

  }
}