spark-RDD源码分析

http://stark-summer.iteye.com/blog/2178096

RDD的核心方法：

首先看一下getPartitions方法的源码：

getPartitions返回的是一系列partitions的集合，即一个Partition类型的数组

我们就想进入HadoopRDD实现：

1、getJobConf()：用来获取job Configuration，获取配置方式有clone和非clone方式，但是clone方式 是not thread-safe,默认是禁止的，非clone方式可以从cache中获取，如cache中没有那就创建一个新的，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表达式RDD之间的依赖关系，如下所示：

getDependencies返回的是依赖关系的一个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：

每个RDD都会具有计算的函数，如下所示：

我们进入HadoopMapPartitionsWithSplitRDD的 compute方法：

Compute方法是针对RDD的每个Partition进行计算的，其TaskContext参数的源码如下：

getPreferredLocations是寻找Partition的首选位置：

我们进入NewHadoopRDD的getPreferredLocations：

 

其实RDD还有一个可选的分区策略：

Partitioner的源码如下：

可以看出默认使用的是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