Spark Streaming中,增大任务并发度的方法有哪些?

2017/11/09   

0 准备阶段

Q: 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是什么?

我们先梳理一下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。

这里写图片描述

  • 输入可能以多个文件的形式存储在HDFS上,每个File都包括了很多Block。

  • 当Spark读取这些文件作为输入时,会根据具体数据格式对应的InputFormat进行解析,一般是将若干个Block合并成一个输入分片(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。

  • 这些具体的Task,每个都会被分配到集群上的某个节点的某个Executor去执行。

  • 每个节点可以起一个或多个Executor。

  • 每个Executor由若干core组成,每个Executor的每个core一次只能执行一个Task。

  • 每个Task执行的结果就是生成了目标RDD的一个partition。

Note:这里的core是虚拟的core而不是机器的物理CPU核,可以理解为Executor的一个工作线程。

而 Task被执行的并发度 = Executor数目 * 每个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就会需要多少初始Task。

  • 在Map阶段,partition数目保持不变。

  • 在Reduce阶段,RDD的聚合会出发shuffle操作,聚合后的RDD的partition数目跟具体操作有关。例如:repartition操作会聚合成指定分区数,还有一些算子是可配置的。

1 Spark Streaming增大任务并发度

  • Q:在Spark Streaming中,增大任务并发度的方法有哪些?

  • A:solution如下

    • s1: core的个数: task线程数,也就是–executor-cores
    • s2: repartition
    • s3: Streaming + Kafka,Direct方式,则增加partition分区数
    • s4: Streaming + Kafka,Receiver方式,则增加Receiver个数
    • s5: reduceByKey和reduceByKeyAndWindow传入第二个参数

1.1 解析

  • s1 & s2: 

RDD在计算的时候,每个分区都会起一个task,所以RDD的分区数目决定了总的task数据。

申请的计算节点(Executor)数目和每个计算节点核数,决定了你同一时刻可以并行执行的task。

e g:

RDD有100个分区,那么计算的时候就会生成100个task,你的资源配置为10个计算节点,每个2个核,同一时刻可以并行的task数目为20,计算这个RDD就需要5个轮次。

如果计算资源不变,你有101个task的话,就需要6个轮次,在最后一轮中,只有一个task在执行,其余核都在空转。

如果资源不变,你的RDD只有两个分区,那么同一时刻只有2个task运行,其余18个核空转,造成资源浪费。

这就是在Spark调优中,通过增大RDD分区数目,进而增大任务并行度的做法。

  • s5:

如果在计算的任何stage中使用的并行task的数量没有足够多,那么集群资源是无法被充分利用的。举例来说,对于分布式的reduce操作,比如reduceByKey和reduceByKeyAndWindow,默认的并行task的数量是由spark.default.parallelism参数决定的。你可以在reduceByKey等操作中,传入第二个参数,手动指定该操作的并行度,也可以调节全局的spark.default.parallelism参数。

1.2 增大kafka中的partition可以增加Spark在处理数据上的并行度吗?

  • s4:

在Receiver的方式中,Spark中的partition和Kafka中的partition并不是相关的,所以如果我们加大每个topic的partition数量,仅仅是增加线程来处理由单一Receiver消费的主题。但是这并没有增加Spark在处理数据上的并行度。但是,该方式下,一个Receiver就对应于一个partition,所以,可以通过增加Receiver的个数来增大Spark任务并行度。

  • s3:

而在Direct方式中,Kafka中的partition与RDD中的partition是一一对应的并行读取Kafka数据,这种映射关系也更利于理解和优化。


一个正在技术专家成长道路上不断努力前进的程序员

(转载本站文章请注明作者和出处 buildupchao

Post Directory