sc.textfile 读hdfs130M文件为什么是2个分区的问题？

 

一个application有多个job（一个行动算子触发一个job）；
每个job在发生shuffle（比如：reduceByKey）时，就会被拆成一个stage；
每个stage被拆为多个task，task被分配到executor上执行，一个task会有一个线程去执行，一个task处理一小片数据。

reduceByKey，前为stage0，后为stage1 ：
stage0执行到reduceByKey时，会为后面stage1的每个task，都创建一个文件；
stage1的每个task，会在各个节点上的各个task创建的属于自己的文件（每个文件里，一定存放相同key对应的values； 但一个文件可能有多个key，及其对应的values； 相同key的values一定是进入同一个文件），拉取数据；
stage1的每个task所拉取到的数据，一定是相同key对应的数据。因为针对相同key对应的values，才能去执行执行自定义的function操作(+)。

spark并行度：指的就是spark作业中，各个stage的task数量。也就代表了spark作业在各个阶段（stage）的并行度。

 

 

 文件数计算的分区数如果大于2则取Min

那如果文件数小于2的话会走求得最大即为2，所以当分区数是1时为了保证至少要两个