spark内核揭秘-10-RDD源码分析

RDD的核心方法：

首先看1下getPartitions方法的源码：

getPartitions返回的是1系列partitions的集合，即1个Partition类型的数组

我们就想进入HadoopRDD实现：

1、getJobConf()：用来获得job Configuration，获得配置方式有clone和非clone方式，但是clone方式 是not thread-safe,默许是制止的，非clone方式可以从cache中获得，如cache中没有那就创建1个新的，然后再放到cache中

2、进入 getInputFormcat(jobConf)方法：

3、进入inputFormat.getSplits(jobConf, minPartitions)方法：

进入FileInputFormcat类的getSplits方法：

5、进入HadoopPartition：

而getDependencies表达是RDD之间的依赖关系，以下所示：

getDependencies返回的是依赖关系的1个Seq集合，里面的Dependency数组中的下划线是类型的PlaceHolder

我们进入ShuffledRDD类中的getDependencies方法：

我们进入ShuffleDependency类：

每一个RDD都会具有计算的函数，以下所示：

我们进入HadoopMapPartitionsWithSplitRDD的 compute方法：

Compute方法是针对RDD的每一个Partition进行计算的，其TaskContext参数的源码以下：

getPreferredLocations是寻觅Partition的首选位置：

我们进入NewHadoopRDD的getPreferredLocations：

其实RDD还有1个可选的分区策略：

Partitioner的源码以下：

可以看出默许使用的是HashPartitioner，要注意key为Array的情况；

spark.default.parallelism必须要设置，否则会根据partitions数据来传输RDD，这样也会很容易出现OOM