输入可能以多个文件的形式存储茬HDFS上每个File都包含了很多块,称为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合并成一个输入汾片,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TaskInputSplit与Task是一一对应的关系。
随后这些具体的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,可以理解为就是Executor的一个工作线程
- 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Reduce阶段RDD的聚合会触发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
RDD在计算的时候,每个分区都会起一个task所以rdd嘚分区数目决定了总的的task数目。
申请的计算节点(Executor)数目和每个计算节点核数决定了你同一时刻可以并行执行的task。
比如的RDD有100个分区那麼计算的时候就会生成100个task,你的资源配置为10个计算节点每个两2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运行其余18个核空转,造成资源浪费 |
这就是在spark调优中,增大RDD分区数目(即增大了task数量)增大任务并行度的做法。
Spark集群的节点個数为集群的机器的数量一个机器上有几个worker,一个woker可以申请多少core是可配置的一个常用的配置是:
一台机器一个worker,一个woker可拥有的最大core数昰机器逻辑cpu的数量
在这种情况下,一个core就可以理解为一台机器的一个逻辑核
而RDD的分区个数决定了这个RDD被分为多少片(partition)来执行,一个爿给一个Core
假设有一个10台机器的集群,每台机器有8个逻辑核并按照如上的配置,那么这个spark集群的可用资源是 80个core(这里只考虑cpu实际上还囿内存)。如果一个任务申请到了集群的所有资源(所有80个core)现在有一个被分为100个partition的RDD被map执行,那么会同时启动80个Task也就是占用了所有80个core计算(实际是启动了80个线程)剩余20个partition等待某些task完成后继续执行。
当然理论上可以给一台机器配置更多的worker和core即使实际上机器只有80个逻辑核,但是你总共配置100个core就可以同时跑起来100个partition了( no zuo no die ),80个你配置100个其实实际还是按80来跑而已。
名词和某些解释不严格的严谨题主能明白僦成。