Spark中Task，Partition，RDD、节点数、Executor数、core数目的关系

梳理一下Spark中关于并发度涉及的几个概念File，Block，Split，Task，Partition，RDD以及节点数、Executor数、core数目的关系。

输入可能以多个文件的形式存储在HDFS上，每个File都包含了很多块，称为

Block

。

当Spark读取这些文件作为输入时，会根据具体数据格式对应的InputFormat进行解析，一般是将若干个Block合并成一个输入分片，称为

InputSplit

，注意InputSplit不能跨越文件。

随后将为这些输入分片生成具体的

Task

。InputSplit与Task是

一一对应

的关系。

随后这些具体的Task每个都会被分配到集群上的某个节点的某个

Executor

去执行。

每个节点可以起一个或多个Executor。

每个Executor由若干

core

组成，每个Executor的每个core

一次只能执行一个

Task。

每个Task执行的结果就是生成了目标

RDD

的一个

partiton 注意: 

这里的core是虚拟的core而不是机器的物理CPU核，可以理解为就是Executor的一个工作线程。

而 Task被执行的并发度 = Executor数目 * 每个Executor核数。

至于partition的数目：

对于数据读入阶段，例如sc.textFile，输入文件被划分为多少InputSplit就会需要多少初始Task。

在Map阶段partition数目保持不变。

在Reduce阶段，RDD的聚合会触发shuffle操作，聚合后的RDD的partition数目跟具体操作有关，例如repartition操作会聚合成指定分区数，还有一些算子是可配置的。