从源码看Spark读取Hive表数据小文件和分块的问题

 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

转载：https://my.oschina.net/kavn/blog/1590032