spark分区数,task数目,core数,worker节点个数,excutor数量梳理 spark分区数,task数目,core数,worker节点个数,excutor数量梳理

转载自：https://www.cnblogs.com/hadoop-dev/p/6669232.html

spark分区数,task数目,core数,worker节点个数,excutor数量梳理

 

做者：王燚光
连接：https://www.zhihu.com/question/33270495/answer/93424104
来源：知乎
著做权归做者全部。商业转载请联系做者得到受权，非商业转载请注明出处。

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（SPARK_EXECUTOR_INSTANCES） * 每一个Executor核数（SPARK_EXECUTOR_CORES）

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。

RDD在计算的时候，每一个分区都会起一个task，因此rdd的分区数目决定了总的的task数目。
申请的计算节点（Executor）数目和每一个计算节点核数，决定了你同一时刻能够并行执行的task。
好比的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，每一个两2个核，同一时刻能够并行的task数目为20，计算这个RDD就须要5个轮次。
若是计算资源不变，你有101个task的话，就须要6个轮次，在最后一轮中，只有一个task在执行，其他核都在空转。
若是资源不变，你的RDD只有2个分区，那么同一时刻只有2个task运行，其他18个核空转，形成资源浪费。这就是在spark调优中，增大RDD分区数目，增大任务并行度的作法。