spark 解决大文件造成的分区数据量过大的问题

背景

在使用spark处理文件时，经常会遇到要处理的文件大小差别的很大的情况。如果不加以处理的话，特别大的文件就可能产出特别大的spark 分区，造成分区数据倾斜，严重影响处理效率。

解决方案

Spark RDD

spark在读取文件构建RDD的时候（调用spark.SparkContext.TextFile(FILENAME, [minPartition]), spark.SparkContext.SequenceFile(FILENAME) ，因为这两个都实现了FileInputFormat)，每个RDD分区的大小是由下面的几个参数控制的。

spark.hadoop.mapreduce.input.fileinputformat.split.minsize #(单位字节，默认值：0)
dfs.blocksize #(单位字节, 默认值: 128M,  在hdfs-site.xml中配置，这个会影响到hadoop，非常不建议修改)
minPartition #(最小分区数，默认值2)

spark在调用这两个方法读取文件为RDD的时候，会经历如下步骤

1. 计算要读取的所有文件的总大小 TOTAL_SIZE
2. 计算平均每个文件的大小 AVERAGE_SIZE = TOTAL_SIZE/minPartition
3. 获取文件所在HDFS上的BLOCK_SIZE (即：dfs.blocksize)
4. 读取spark.hadoop.mapreduce.input.fileinputformat.split.minsize，获取文件的最小值 MIN_SIZE
5. 计算要产出RDD的分区大小 PARTITION_SIZE = max(MIN_SIZE, min(AVERAGE_SIZE, BLOCK_SIZE))

由上可知，如果调用TextFile时不设置minPartition，且不设置split.minsize，那么产出的RDD每个分区最大大小为 BLOCK_SIZE。

如果希望产出分区的大小小于BLOCK_SIZE，就需要设置minPartition为非常大一个值，使得AVERAGE_SIZE变小，然后通过split.minsize来控制产出的分区大小。

备注：这两种方法对于大文件可以切分成小文件，但是对于输入的小文件，即使小于split.minsize也不会合并。不过相比大文件，小文件对spark性能没有太大影响。

参考资料

1. org.apache.hadoop.mapred.FileInputFormat.java
2. SparkContext.scala

Spark SQL

适用于使用spark.sql读取文件/hive的场景

spark.sql.files.maxPartitionBytes  #单位字节  默认128M   每个分区最大的文件大小，针对于大文件切分
spark.sql.files.openCostInBytes   #单位字节  默认值4M   小于该值的文件将会被合并，针对于小文件合并