spark读取hdfs路径下的数据_spark 读取 hdfs 数据分区规则

下文以读取 parquet 文件 / parquet hive table 为例：

hive metastore 和 parquet 转化的方式通过 spark.sql.hive.convertMetastoreParquet 控制，默认为 true。

如果设置为 true ，会使用 org.apache.spark.sql.execution.FileSourceScanExec ，否则会使用 org.apache.spark.sql.hive.execution.HiveTableScanExec。

FileSourceScanExec

前者对分区规则做了一些优化，如果 文件是：

没有分桶的情况

分区大小计算公式：

bytesPerCore = totalBytes / defaultParallelism

maxSplitBytes = Math.min(defaultMaxSplitBytes, Math.max(openCostInBytes, bytesPerCore))

defaultMaxSplitBytes：spark.sql.files.maxPartitionBytes，默认为128M，每个分区读取的最大数据量

openCostInBytes: spark.sql.files.openCostInBytes，默认为4M，小于这个大小的文件将会合并到一个分区，可以理解为每个分区的最小量，避免碎文件造成的大量碎片任务。

defaultParallelism: spark.default.parallelism，yarn默认为应用cores数量或2。

bytesPerCore：数据总大小 / defaultParallelism

eg. 读入一份 2048M 大小的数据

Tip: partitionSize的计算过程简化，实际上会先对读入的每个分区按maxSplitBytes做切割，切割完后如果的小文件如果大小不足maxSplitBytes的，会合并到一个partition，直到大小 > maxSplitBytes。

//如果 spark.default.parallelism 设置为 1000，最终的分区数量是 512，每个分区大小为4M

maxSplitBytes = Math.min(128M, Math.max(4M, 2M))

partitionSize = 2048 / 4 = 512

//如果 spark.default.parallelism 设置为 100, 最终的分区数量是 100，每个分区大小为20.48M

maxSplitBytes = Math.min(128M, Math.max(4M, 20.48M))

partitionSize = 2048 / 20.48 = 100

//如果 spark.default.parallelism 设置为 10, 最终的分区数量是 16，每个分区大小为128M

maxSplitBytes = Math.min(128M, Math.max(4M, 204.8M))

partitionSize = 2048 / 128 = 16

分桶的情况下：

分区数取决于桶的数量。

HiveTableScanExec

通过文件数量，大小进行分区。

eg. 读入一份 2048M 大小的数据，hdfs 块大小设置为 128M ，其中小文件的定义为大小不超过 128M。

该目录有1000个小文件，则会生成1000个partition。

如果只有1个文件，则会生成 16 个分区。

如果有一个大文件1024M，其余 999 个小文件共 1024M，则会生成 1007 个分区。