1. 程式人生 > >spark分割槽數,task數目,core數,worker節點個數,excutor數量梳理

spark分割槽數,task數目,core數,worker節點個數,excutor數量梳理

作者:王燚光   連結:https://www.zhihu.com/question/33270495/answer/93424104   來源:知乎   著作權歸作者所有。商業轉載請聯絡作者獲得授權,非商業轉載請註明出處。   輸入可能以多個檔案的形式儲存在HDFS上,每個File都包含了很多塊,稱為Block   當Spark讀取這些檔案作為輸入時,會根據具體資料格式對應的InputFormat進行解析,一般是將若干個Block合併成一個輸入分片,稱為InputSplit,注意InputSplit不能跨越檔案。
  隨後將為這些輸入分片生成具體的Task。InputSplit與Task是一一對應的關係。   隨後這些具體的Task每個都會被分配到叢集上的某個節點的某個Executor去執行。
  • 每個節點可以起一個或多個Executor。
  • 每個Executor由若干core組成,每個Executor的每個core一次只能執行一個Task。
  • 每個Task執行的結果就是生成了目標RDD的一個partiton
    注意: 這裡的core是虛擬的core而不是機器的物理CPU核,可以理解為就是Executor的一個工作執行緒。
  而 Task被執行的併發度 = Executor數目 * 每個Executor核數。   至於partition的數目:
  • 對於資料讀入階段,例如sc.textFile,輸入檔案被劃分為多少InputSplit就會需要多少初始Task。
  • 在Map階段partition數目保持不變。
  • 在Reduce階段,RDD的聚合會觸發shuffle操作,聚合後的RDD的partition數目跟具體操作有關,例如repartition操作會聚合成指定分割槽數,還有一些運算元是可配置的。
RDD在計算的時候,每個分割槽都會起一個task,所以rdd的分割槽數目決定了總的的task數目。
  申請的計算節點(Executor)數目和每個計算節點核數,決定了你同一時刻可以並行執行的task。   比如的RDD有100個分割槽,那麼計算的時候就會生成100個task,你的資源配置為10個計算節點,每個兩2個核,同一時刻可以並行的task數目為20,計算這個RDD就需要5個輪次。   如果計算資源不變,你有101個task的話,就需要6個輪次,在最後一輪中,只有一個task在執行,其餘核都在空轉。   如果資源不變,你的RDD只有2個分割槽,那麼同一時刻只有2個task執行,其餘18個核空轉,造成資源浪費。這就是在spark調優中,增大RDD分割槽數目,增大任務並行度的做法。     作者:麥田   連結:https://www.zhihu.com/question/33270495/answer/82661639   來源:知乎   著作權歸作者所有。商業轉載請聯絡作者獲得授權,非商業轉載請註明出處。