在Spark集群中，集群的节点个数、RDD分区个数、cpu内核个数三者与并行度的关系？？

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，每一个File都包含了不少块，称为Block。
当Spark读取这些文件做为输入时，会根据具体数据格式对应的InputFormat进行解析，通常是将若干个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每一个都会被分配到集群上的某个节点的某个Executor去执行。

• 每一个节点能够起一个或多个Executor。
• 每一个Executor由若干core组成，每一个Executor的每一个core一次只能执行一个Task。
• 每一个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，能够理解为就是Executor的一个工做线程。

而 Task被执行的并发度 = Executor数目 * 每一个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就会须要多少初始Task。
• 在Map阶段partition数目保持不变。
• 在Reduce阶段，RDD的聚合会触发shuffle操做，聚合后的RDD的partition数目跟具体操做有关，例如repartition操做会聚合成指定分区数，还有一些算子是可配置的。