spark读取hdfs路径下的数据_Spark读取HDFS数据分区参考

本文以读取 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

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。

例如：读入一份 2048M 大小的数据，hdfs 块大小设置为 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 个文件共 1024M，则会生成 1007个分区。