spark并行度和partion联系

一、问题：

1、怎样提高并行度？

几种方式：(1)reduce时，输入参数(int)   (2)partitionBy()输入分区数  (3)SparkContext.textFile(path,num)

2、什么情况下需要提高并行度？

(1).partition的个数是split size决定的，spark的底层还是用的hadoop的fileformat，当你制定了一个可以切分的format，他就会按照splitsize去切partition，这个决定了任务会被分成多少份。

(2).节点个数跟cpu的核数决定了你能起多少实例，就是资源池。

(3).如果你partition的数量多，能起实例的资源也多，那自然并发度就多，如果你partition数量少，资源很多，它也不会有很多并发，如果你partition的数量很多，但是资源少，那么并发也不大，他会算完一批再继续起下一批

二、几个概念和关系：

Spark中关于并发度涉及的几个概念File，Block，Split，Task，Partition，RDD以及节点数、Executor数、core数目的关系


输入可能以多个文件的形式存储在HDFS上，每个File都包含了很多块，称为Block。
当Spark读取这些文件作为输入时，会根据具体数据格式对应的InputFormat进行解析，一般是将若干个Block合并成一个输入分片，称为InputSplit，

注意InputSplit不能跨越文件。
随后将为这些输入分片生成具体的Task。InputSplit与Task是一一对应的关系。
随后这些具体的Task每个都会被分配到集群上的某个节点的某个Executor去执行。

• 每个节点可以起一个或多个Executor。
  
• 每个Executor由若干core组成，每个Executor的每个core一次只能执行一个Task。
  
• 每个Task执行的结果就是生成了目标RDD的一个partiton。
  

注意: 

这里的core是虚拟的core而不是机器的物理CPU核，可以理解为就是Executor的一个工作线程。

而 Task被执行的并发度 = Executor数目 * 每个Executor核数。

至于partition的数目：

• 对于数据读入阶段，例如sc.textFile，输入文件被划分为多少InputSplit就会需要多少初始Task。
  
• 在Map阶段partition数目保持不变。
  
• 在Reduce阶段，RDD的聚合会触发shuffle操作，聚合后的RDD的partition数目跟具体操作有关，例如repartition操作会聚合成指定分区数，还有一些算子是可配置的。