RDD相關概念關係
輸入可能以多個文件的形式存儲在HDFS上，每個File都包含了很多塊，稱爲Block。當Spark讀取這些文件作爲輸入時，會根據具體數據格式對應的InputFormat進行解析，一般是將若干個Block合併成一個輸入分片，稱爲InputSplit，注意InputSplit不能跨越文件。隨後將爲這些輸入分片生成具體的Task。InputSplit與Task是一一對應的關係。隨後這些具體的Task每個都會被分配到集羣上的某個節點的某個Executor去執行。
- 1)每個節點可以起一個或多個Executor。
- 2)每個Executor由若干core組成，每個Executor的每個core一次只能執行一個Task。
- 3)每個Task執行的結果就是生成了目標RDD的一個partiton。
注意: 這裏的core是虛擬的core而不是機器的物理CPU核，可以理解爲就是Executor的一個工作線程。而 Task被執行的併發度 = Executor數目 * 每個Executor核數。 至於partition的數目：
- 1)對於數據讀入階段，例如sc.textFile，輸入文件被劃分爲多少InputSplit就會需要多少初始Task。
- 2)在Map階段partition數目保持不變。
- 3)在Reduce階段，RDD的聚合會觸發shuffle操作，聚合後的RDD的partition數目跟具體操作有關，例如repartition操作會聚合成指定分區數，還有一些算子是可配置的。
RDD在計算的時候，每個分區都會起一個task，所以rdd的分區數目決定了總的的task數目。申請的計算節點（Executor）數目和每個計算節點核數，決定了你同一時刻可以並行執行的task。
比如的RDD有100個分區，那麼計算的時候就會生成100個task，你的資源配置爲10個計算節點，每個兩2個核，同一時刻可以並行的task數目爲20，計算這個RDD就需要5個輪次。如果計算資源不變，你有101個task的話，就需要6個輪次，在最後一輪中，只有一個task在執行，其餘核都在空轉。如果資源不變，你的RDD只有2個分區，那麼同一時刻只有2個task運行，其餘18個核空轉，造成資源浪費。這就是在spark調優中，增大RDD分區數目，增大任務並行度的做法。
後續會更新Spark面試題，博友可以先關注哦！！！