如何淺析Hive和Spark SQL讀文件時的輸入任務劃分

如何淺析Hive和Spark SQL讀文件時的輸入任務劃分，相信很多沒有經驗的人對此束手無策，為此本文總結了問題出現的原因和解決方法，通過這篇文章希望你能解決這個問題。

我們就來講解Hive和Spark SQL是如何切分輸入路徑的。

Hive

Hive是起步較早的SQL on Hadoop項目，最早也是誕生于Hadoop中，所以輸入劃分這部分的代碼與Hadoop相關度非常高。現在Hive普遍使用的輸入格式是CombineHiveInputFormat，它繼承于HiveInputFormat，而HiveInputFormat實現了Hadoop的InputFormat接口，其中的getSplits方法用來獲取具體的劃分結果，劃分出的一份輸入數據被稱為一個“Split”。在執行時，每個Split對應到一個map任務。在劃分Split時，首先挑出不能合并到一起的目錄——比如開啟了事務功能的路徑。這些不能合并的目錄必須單獨處理，剩下的路徑交給私有方法getCombineSplits，這樣Hive的一個map task最多可以處理多個目錄下的文件。在實際操作中，我們一般只要通過set mapred.max.split.size=xx;即可控制文件合并的大小。當一個文件過大時，父類的getSplits也會幫我們完成相應的切分工作。

Spark SQL

Spark的表有兩種：DataSource表和Hive表。另外Spark后續版本中DataSource V2也將逐漸流行，目前還在不斷發展中，暫時就不在這里討論。我們知道Spark SQL其實底層是Spark RDD，而RDD執行時，每個map task會處理RDD的一個Partition中的數據（注意這里的Partition是RDD的概念，要和表的Partition進行區分）。因此，Spark SQL作業的任務切分關鍵在于底層RDD的partition如何切分。

Data Source表

Spark SQL的DataSource表在最終執行的RDD類為FileScanRDD，由FileSourceScanExec創建出來。在創建這種RDD的時候，具體的Partition直接作為參數傳給了構造函數，因此劃分輸入的方法也在DataSourceScanExec.scala文件中。具體分兩步：首先把文件劃分為PartitionFile，再將較小的PartitionFile進行合并。

第一步部分代碼如下：

  if (fsRelation.fileFormat.isSplitable(
    fsRelation.sparkSession, fsRelation.options, file.getPath)) {
    (0L until file.getLen by maxSplitBytes).map { offset =>val remaining = file.getLen - offsetval size = if (remaining > maxSplitBytes) maxSplitBytes else remainingval hosts = getBlockHosts(blockLocations, offset, size)PartitionedFile(
      partition.values, file.getPath.toUri.toString,
      offset, size, partitionDeleteDeltas, hosts)
    }
  } else {val hosts = getBlockHosts(blockLocations, 0, file.getLen)Seq(PartitionedFile(partition.values, file.getPath.toUri.toString,0, file.getLen, partitionDeleteDeltas, hosts))
  }

我們可以看出，Spark SQL首先根據文件類型判斷單個文件是否能夠切割，如果可以則按maxSplitBytes進行切割。如果一個文件剩余部分無法填滿maxSplitBytes，也單獨作為一個Partition。

第二部分代碼如下所示：

  splitFiles.foreach { file =>if (currentSize + file.length > maxSplitBytes) {
      closePartition()
    }// Add the given file to the current partition.currentSize += file.length + openCostInBytes
    currentFiles += file
  }

這樣我們就可以依次遍歷第一步切好的塊，再按照maxSplitBytes進行合并。注意合并文件時還需加上打開文件的預估代價openCostInBytes。那么maxSplitBytes和openCostInBytes這兩個關鍵參數怎么來的呢？

  val defaultMaxSplitBytes =
    fsRelation.sparkSession.sessionState.conf.filesMaxPartitionBytes  val openCostInBytes = fsRelation.sparkSession.sessionState.conf.filesOpenCostInBytes  val defaultParallelism = fsRelation.sparkSession.sparkContext.defaultParallelism  val totalBytes = selectedPartitions.flatMap(_.files.map(_.getLen + openCostInBytes)).sum  val bytesPerCore = totalBytes / defaultParallelism  val maxSplitBytes = Math.min(defaultMaxSplitBytes, Math.max(openCostInBytes, bytesPerCore))

不難看出，主要是spark.sql.files.maxPartitionBytes、spark.sql.files.openCostInBytes、調度器默認并發度以及所有輸入文件實際大小所控制。

Hive表

Spark SQL中的Hive表底層的RDD類為HadoopRDD，由HadoopTableReader類實現。不過這次，具體的Partition劃分還是依賴HadoopRDD的getPartitions方法，具體實現如下：

  override def getPartitions: Array[Partition] = {
    ...try {      val allInputSplits = getInputFormat(jobConf).getSplits(jobConf, minPartitions)      val inputSplits = if (ignoreEmptySplits) {
        allInputSplits.filter(_.getLength > 0)
      } else {
        allInputSplits
      }      val array = new Array[Partition](inputSplits.size)      for (i <- 0 until inputSplits.size) {
        array(i) = new HadoopPartition(id, i, inputSplits(i))
      }
      array
    } catch {
      ...
    }
  }

不難看出，在處理Hive表的時候，Spark SQL把任務劃分又交給了Hadoop的InputFormat那一套。不過需要注意的是，并不是所有Hive表都歸為這一類，Spark SQL會默認對ORC和Parquet的表進行轉化，用自己的Data Source實現OrcFileFormat和ParquetFileFormat來把這兩種表作為Data Source表來處理。

看完上述內容，你們掌握如何淺析Hive和Spark SQL讀文件時的輸入任務劃分的方法了嗎？如果還想學到更多技能或想了解更多相關內容，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！