[大数据]SPARK中 会对Scan的小文件做合并到一个Task去处理么？

背景

本文基于SPARK 3.1.2
在之前查看SQL物理计划的时候，发现一个很奇怪的现象，文件的个数很多，但是启动的Task却很少。

结论

SPARK在scan文件的时候，会把小文件合并到一个Task上去处理。

分析

这里的SQL很简单：就是select col from table语句我们直接查看对应的计划：

可以看到对于有50000多个文件的source，最终却只有6000多个任务运行。
我们直接看对应的代码FileSourceScanExec实现：

    val splitFiles = selectedPartitions.flatMap { partition =>
      partition.files.flatMap { file =>
        // getPath() is very expensive so we only want to call it once in this block:
        val filePath = file.getPath
        val isSplitable = relation.fileFormat.isSplitable(
          relation.sparkSession, relation.options, filePath)
        PartitionedFileUtil.splitFiles(
          sparkSession = relation.sparkSession,
          file = file,
          filePath = filePath,
          isSplitable = isSplitable,
          maxSplitBytes = maxSplitBytes,
          partitionValues = partition.values
        )
      }
    }.sortBy(_.length)(implicitly[Ordering[Long]].reverse)

    val partitions =
      FilePartition.getFilePartitions(relation.sparkSession, splitFiles, maxSplitBytes)
   new FileScanRDD(fsRelation.sparkSession, readFile, partitions)

PartitionedFileUtil.splitFiles就是对每个文件进行遍历，如果一个文件超过了maxSplitBytes,这个可以参考Spark-读取Parquet-为什么task数量会多于Row Group的数量,就进行切分，否则就直接返回整个文件，
关键的在FilePartition.getFilePartitions(relation.sparkSession, splitFiles, maxSplitBytes):

...
 partitionedFiles.foreach { file =>
      if (currentSize + file.length > maxSplitBytes) {
        closePartition()
      }
      // Add the given file to the current partition.
      currentSize += file.length + openCostInBytes
      currentFiles += file
 }
...

她会根据maxSplitBytes来判断，如果文件小于该阈值，就会放到同一个FilePartition中，从而让一个Task去处理，这样就会出现了图上所展示的小文件很多但是Task缺比较小的现象。