背景

本文基于Spark 3.5.0
目前公司在做小文件合并的时候用到了 Spark Rebalance 这个算子，这个算子的主要作用是在AQE阶段的最后写文件的阶段进行小文件的合并，使得最后落盘的文件不会太大也不会太小，从而达到小文件合并的作用，这其中的主要原理是在于三个规则:OptimizeSkewInRebalancePartitions,CoalesceShufflePartitions,OptimizeShuffleWithLocalRead,这里主要说一下OptimizeSkewInRebalancePartitions规则，CoalesceShufflePartitions的作用主要是进行文件的合并，是得文件不会太小，OptimizeShuffleWithLocalRead的作用是加速shuffle fetch的速度。

结论

OptimizeSkewInRebalancePartitions的作用是对小文件进行拆分，使得罗盘的文件不会太大，这个会有个问题，如果我们在使用Rebalance(col)这种情况的时候，如果col的值是固定的，比如说值永远是20240320,那么这里就得注意一下，关于OptimizeSkewInRebalancePartitions涉及到的参数spark.sql.adaptive.optimizeSkewsInRebalancePartitions.enabled,spark.sql.adaptive.advisoryPartitionSizeInBytes,spark.sql.adaptive.rebalancePartitionsSmallPartitionFactor 这些值配置，如果这些配置调整的不合适，就会导致写文件的时候有可能只有一个Task在运行，那么最终就只有一个文件。而且大大加长了整个任务的运行时间。

分析

直接到OptimizeSkewInRebalancePartitions中的代码中来:

  override def apply(plan: SparkPlan): SparkPlan = {if (!conf.getConf(SQLConf.ADAPTIVE_OPTIMIZE_SKEWS_IN_REBALANCE_PARTITIONS_ENABLED)) {return plan}plan transformUp {case stage: ShuffleQueryStageExec if isSupported(stage.shuffle) =>tryOptimizeSkewedPartitions(stage)}}

如果我们禁用掉对rebalance的倾斜处理，也就是spark.sql.adaptive.optimizeSkewsInRebalancePartitions.enabled为false（默认是true），那么就不会应用此规则，那么如果Col为固定值的情况下，就只会有一个Task进行文件的写入操作，也就只有一个文件，因为一个Task会拉取所有的Map的数据(因为此时每个maptask上的hash(Col)都是一样的，此时只有一个reduce task去拉取数据)，如图：

假如说hash(col)为0，那实际上只有reduceTask0有数据，其他的ReduceTask1等等都是没有数据的，所以最终只有ReduceTask0写文件，并且只有一个文件。

在看合并的计算公式，该数据流如下：

 tryOptimizeSkewedPartitions||\/optimizeSkewedPartitions||\/ShufflePartitionsUtil.createSkewPartitionSpecs||\/ShufflePartitionsUtil.splitSizeListByTargetSize

splitSizeListByTargetSize方法中涉及到的参数解释如下 ：

• 参数 sizes: Array[Long] 表示属于同一个reduce任务的maptask任务的大小数组，举例 sizes = [100,200,300,400]
  表明该任务有4个maptask，0表示maptask为0的所属reduce的大小，1表示maptask为1的所属reduce的大小，依次类推,图解如下:

比如说reduceTask0的从Maptask拉取的数据的大小分别是100,200,300,400.

• 参数targetSize 为 spark.sql.adaptive.advisoryPartitionSizeInBytes的值，假如说是256MB
• 参数smallPartitionFactor为spark.sql.adaptive.rebalancePartitionsSmallPartitionFactor 的值，默认是0.2
  这里有个计算公式：

    def tryMergePartitions() = {// When we are going to start a new partition, it's possible that the current partition or// the previous partition is very small and it's better to merge the current partition into// the previous partition.val shouldMergePartitions = lastPartitionSize > -1 &&((currentPartitionSize + lastPartitionSize) < targetSize * MERGED_PARTITION_FACTOR ||(currentPartitionSize < targetSize * smallPartitionFactor ||lastPartitionSize < targetSize * smallPartitionFactor))if (shouldMergePartitions) {// We decide to merge the current partition into the previous one, so the start index of// the current partition should be removed.partitionStartIndices.remove(partitionStartIndices.length - 1)lastPartitionSize += currentPartitionSize} else {lastPartitionSize = currentPartitionSize}}。。。while (i < sizes.length) {// If including the next size in the current partition exceeds the target size, package the// current partition and start a new partition.if (i > 0 && currentPartitionSize + sizes(i) > targetSize) {tryMergePartitions()partitionStartIndices += icurrentPartitionSize = sizes(i)} else {currentPartitionSize += sizes(i)}i += 1}tryMergePartitions()partitionStartIndices.toArray

这里的计算公式大致就是：从每个maptask中的获取到属于同一个reduce的数值，依次累加，如果大于targetSize就尝试合并，直至到最后一个maptask，
可以看到tryMergePartitions有个计算公式:currentPartitionSize < targetSize * smallPartitionFactor,也就是说如果当前maptask的对应的reduce分区数据 小于 256MB*0.2 = 51.2MB 的话，也还是会合并到前一个分区中去，如果smallPartitionFactor设置过大，可能会导致所有的分区都会合并到一个分区中去，最终会导致一个文件会有几十GB(也就是targetSize * smallPartitionFactor`*shuffleNum)，
比如说以下的测试案例：

    val targetSize = 100val smallPartitionFactor2 = 0.5// merge last two partition if their size is not bigger than smallPartitionFactor * targetval sizeList5 = Array[Long](50, 50, 40, 5)assert(ShufflePartitionsUtil.splitSizeListByTargetSize(sizeList5, targetSize, smallPartitionFactor2).toSeq ==Seq(0))val sizeList6 = Array[Long](40, 5, 50, 45)assert(ShufflePartitionsUtil.splitSizeListByTargetSize(sizeList6, targetSize, smallPartitionFactor2).toSeq ==Seq(0))

这种情况下，就会只有一个reduce任务运行。