前言

有同事问到，Spark读取一张Hive表的数据Task有一万多个，看了Hive表分区下都是3MB~4MB的小文件，每个Task只处理这么小的文件，实在浪费资源浪费时间。而我们都知道Spark的Task数由partitions决定，所以他想通过repartition(num)的方式来改变分区数，结果发现读取文件的时候Task数并没有改变。遂问我有什么参数可以设置，从而改变读取Hive表时的Task数，将小文件合并大文件读上来

> 本文涉及源码基于Spark2.0.0和Hadoop2.6.0，不同版本代码可能不一致，需自己对应。此外针对TextInputFormat格式的Hive表，其他格式的比如Parquet有Spark自己的高效实现，不在讨论范围之内

分析

Spark读取Hive表是通过HadoopRDD扫描上来的，具体可见 org.apache.spark.sql.hive.TableReader类，构建HadoopRDD的代码如下

val rdd = new HadoopRDD(   sparkSession.sparkContext,   _broadcastedHadoopConf.asInstanceOf[Broadcast[SerializableConfiguration]],   Some(initializeJobConfFunc),   inputFormatClass,   classOf[Writable],   classOf[Writable],   _minSplitsPerRDD) 

这里inputFormatClass是Hive创建时指定的，默认不指定为 org.apache.hadoop.mapred.TextInputFormat，由它就涉及到了HDFS文件的FileSplit数，从而决定了上层Spark的partition数。在进入HadoopRDD类查看之前，还有一个参数需要我们注意，就是 _minSplitsPerRDD，它在后面SplitSize的计算中是起了作用的。

我们看一下它的定义

private val _minSplitsPerRDD = if (sparkSession.sparkContext.isLocal) {   0 // will splitted based on block by default. } else {   math.max(hadoopConf.getInt("mapred.map.tasks", 1),     sparkSession.sparkContext.defaultMinPartitions) } 

在我们指定以--master local模式跑的时候，它为0，而在其他模式下，则是求的一个最大值。这里重点看 defaultMinPartitions，如下

def defaultMinPartitions: Int = math.min(defaultParallelism, 2)  // defaultParallelism 在yarn和standalone模式下的计算 def defaultParallelism(): Int = {     conf.getInt("spark.default.parallelism", math.max(totalCoreCount.get(), 2))   } 

从这里可以看到，defaultMinPartitions的值一般为2，而 mapred.map.tasks 或者 mapreduce.job.maps( 新版参数)是Hadoop的内建参数，其默认值也为2，一般很少去改变它。所以这里_minSplitsPerRDD的值基本就是2了。

下面我们跟到HadoopRDD类里，去看看它的partitions是如何来的

def getPartitions: Array[Partition] = {   val jobConf = getJobConf()   // add the credentials here as this can be called before SparkContext initialized   SparkHadoopUtil.get.addCredentials(jobConf)   // inputFormat就是上面参数inputFormatClass所配置的类的实例   val inputFormat = getInputFormat(jobConf)   // 此处获取FileSplit数，minPartitions就是上面的_minSplitsPerRDD   val inputSplits = inputFormat.getSplits(jobConf, minPartitions)   val array = new Array[Partition](inputSplits.size)   // 从这里可以看出FileSplit数决定了Spark扫描Hive表的partition数   for (i <- 0 until inputSplits.size) {     array(i) = new HadoopPartition(id, i, inputSplits(i))   }   array } 

在 getPartitions 方法里我们可以看到 FileSplit数最后决定了Spark读取Hive表的Task数，下面我们再来看看 mapred.TextInputFormat 类里 getSplits 的实现

分两步来看，首先是扫描文件，计算文件大小的部分

FileStatus[] files = listStatus(job);  .....  long totalSize = 0;                           // compute total size for (FileStatus file: files) {                // check we have valid files   if (file.isDirectory()) {     throw new IOException("Not a file: "+ file.getPath());   }   totalSize += file.getLen(); }  // numSplits就是上面传入的minPartitions，为2 long goalSize = totalSize / (numSplits == 0 ? 1 : numSplits); long minSize = Math.max(job.getLong("mapreduce.input.fileinputformat.split.minsize", 1), minSplitSize);  // minSplitSize 默认为1，唯一可通过 setMinSplitSize 方法设置 private long minSplitSize = 1; 

针对Hive表的分区，Spark对每个分区都构建了一个HadoopRDD，每个分区目录下就是实际的数据文件，例如我们集群的某一张表按天分区，每天下面有200个数据文件，每个文件大概3MB~4MB之间，这些实际上是reduce设置不合理导致的小文件产生，如下图

此处 listStatus 方法就是扫描的分区目录，它返回的就是图中显示的具体 part-*****文件的FileStatus对象，一共200个。从 totalSize 的计算可以看出，它是这200个文件的总大小，为838MB，因此 goalSize 就为419MB。

参数 mapreduce.input.fileinputformat.split.minsize 在Spark程序没有配的情况下，获取的值为0，而 minSplitSize 在Spark获取FileSplits的时候并没有被设置，所以为默认值1，那么 minSize 就为1

其次，我们再来看从文件划分Split，部分代码如下(部分解释见注释)

ArrayList<FileSplit> splits = new ArrayList<FileSplit>(numSplits); NetworkTopology clusterMap = new NetworkTopology();  // files是上面扫描的分区目录下的part-*****文件 for (FileStatus file: files) {     Path path = file.getPath();   long length = file.getLen();   if (length != 0) {     FileSystem fs = path.getFileSystem(job);     BlockLocation[] blkLocations;     if (file instanceof LocatedFileStatus) {       blkLocations = ((LocatedFileStatus) file).getBlockLocations();     } else {       blkLocations = fs.getFileBlockLocations(file, 0, length);     }     // 判断文件是否可切割     if (isSplitable(fs, path)) {       // 这里获取的不是文件本身的大小，它的大小从上面的length就可以知道，这里获取的是HDFS文件块(跟文件本身没有关系)的大小       // HDFS文件块的大小由两个参数决定，分别是 dfs.block.size 和 fs.local.block.size       // 在HDFS集群模式下，由 dfs.block.size 决定，对于Hadoop2.0来说，默认值是128MB       // 在HDFS的local模式下，由 fs.local.block.size 决定，默认值是32MB       long blockSize = file.getBlockSize(); // 128MB              // 这里计算splitSize，根据前面计算的goalSize=419MB，minSize为1       long splitSize = computeSplitSize(goalSize, minSize, blockSize);        long bytesRemaining = length;       // 如果文件大小大于splitSize，就按照splitSize对它进行分块       // 由此可以看出，这里是为了并行化更好，所以按照splitSize会对文件分的更细，因而split会更多       while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) {         String[][] splitHosts = getSplitHostsAndCachedHosts(blkLocations,             length-bytesRemaining, splitSize, clusterMap);         splits.add(makeSplit(path, length-bytesRemaining, splitSize,             splitHosts[0], splitHosts[1]));         bytesRemaining -= splitSize;       }        if (bytesRemaining != 0) {         String[][] splitHosts = getSplitHostsAndCachedHosts(blkLocations, length             - bytesRemaining, bytesRemaining, clusterMap);         splits.add(makeSplit(path, length - bytesRemaining, bytesRemaining,             splitHosts[0], splitHosts[1]));       }     } else {       String[][] splitHosts = getSplitHostsAndCachedHosts(blkLocations,0,length,clusterMap);       splits.add(makeSplit(path, 0, length, splitHosts[0], splitHosts[1]));     }   } else {      //Create empty hosts array for zero length files     splits.add(makeSplit(path, 0, length, new String[0]));   } } 

从上面可以看到，splitSize是从 computeSplitSize(goalSize, minSize, blockSize) 计算来的，这三个参数我们都知道大小，那么计算规则是怎么样的呢

规则：Math.max(minSize, Math.min(goalSize, blockSize))，从而我们可以知道 splitSize = 128MB，对于3MB~4MB的小文件来说，就 决定了一个小文件就是一个split了，从而对应了一个Spark的partition，所以我们一个分区下就有200个partition，当取两个月的数据时，就是 200 * 30 * 2 = 12000，从而是12000个Task，跟同事所说的吻合！

> 而从TextInputFormat里分Split的逻辑来看，它只会把一个文件分得越来越小，而不会对小文件采取合并，所以无论调整哪个参数，都没法改变这种情况！而通过repartition强行分区，也是在拿到HDFS文件之后对这12000个partition进行重分区，改变不了小文件的问题，也无法改变读取Hive表Task数多的情况

总结

1. Block是物理概念，而Split是逻辑概念，最后数据的分片是根据Split来的。一个文件可能大于BlockSize也可能小于BlockSize，大于它就会被分成多个Block存储到不同的机器上，SplitSize可能大于BlockSize也可能小于BlockSize，SplitSize如果大于BlockSize，那么一个Split就可能要跨多个Block。对于数据分隔符而言，不用担心一个完整的句子分在两个Block里，因为在Split构建RecordReader时，它会被补充完整
2. 对于采用 org.apache.hadoop.mapred.TextInputFormat 作为InputFormat的Hive表，如果存在小文件，Spark在读取的时候单凭调参数和repartition是改变不了分区数的！对于小文件的合并，目前除了Hadoop提供的Archive方式之外，也只能通过写MR来手动合了，最好的方式还是写数据的时候自己控制reduce的个数，把握文件数
3. 对于Spark直接通过SparkContext的 textFile(inputPath, numPartitions) 方法读取HDFS文件的，它底层也是通过HadoopRDD构建的，它的参数numPartitions就是上面计算goalSize的numSplits参数，这篇 文章 对原理描述的非常详细，非常值得一读
4. 对于小文件合并的InputFormat有 org.apache.hadoop.mapred.lib.CombineFileInputFormat，跟它相关的参数是 mapreduce.input.fileinputformat.split.maxsize，它用于设置一个Split的最大值
5. 跟 mapred.TextInputFormat 里的Split划分相关的参数
   • mapreduce.input.fileinputformat.split.minsize : 决定了计算Split划分时的minSize
   • mapreduce.job.maps 或 mapred.map.tasks : 决定了getSplits(JobConf job, int numSplits)方法里的numSplits，从而可以影响goalSize的大小
   • dfs.block.size 或 fs.local.block.size : 决定了HDFS的BlockSize
6. MapReduce新版API里的 org.apache.hadoop.mapreduce.lib.input.TextInputFormat，它的SplitSize与上面说到的计算方式不一样，getSplits方法的签名为 getSplits(JobContext job)，不再有numSplilts这个参数，splitSize的计算规则改为 Math.max(minSize, Math.min(maxSize, blockSize))，minSize和blockSize跟之前一样，新的maxSize为conf.getLong("mapreduce.input.fileinputformat.split.maxsize", Long.MAX_VALUE)
7. 在Spark2.0.0里，设置Hadoop相关的参数(比如mapreduce开头的)要通过 spark.sparkContext.hadoopConfiguration 来设置

欢迎阅读转载，转载请注明出处https://my.oschina.net/kavn/blog/1590032