如何解决Spark Job内部
我尝试浏览各种帖子,但没有得到答案。可以说我的Spark作业有1000个输入分区,但我只有8个执行程序核心。该工作分为两个阶段。有人可以帮助我确切地了解spark是如何处理的。如果您能帮助回答以下问题,我将不胜感激
- 由于只有8个执行器核心,是否会同时触发我的工作的第一阶段8个分区?
- 如果上述情况成立,那么在处理第一组8个分区后,当spark运行第二组8个分区时,该数据存储在哪里?
- 如果我没有进行广泛的转换,这会导致磁盘溢出吗?
- 对于Spark作业,最佳文件大小是多少。我的意思是通过处理1 MB的文件和1000个Spark分区可以使Spark更好,或者说具有100个Spark的分区10MB的文件?
对不起,如果这些问题不清楚。这不是一个真正的用例,但是当我学习Spark时,我试图了解如何处理不同分区的内部细节。
谢谢!
解决方法
Spark将在第一阶段运行所有作业,然后再开始第二阶段。这并不意味着它将启动8个分区,等待它们全部完成,然后再启动另外8个分区。相反,这意味着每次执行者完成一个分区时,它将从第一阶段开始另一个分区,直到开始第一阶段的所有部分,然后spark将等待直到第一阶段的所有阶段都完成,然后再开始第二阶段
数据存储在内存中,或者如果没有足够的可用内存,则溢出到执行器内存的磁盘上。是否发生溢出将取决于确切有多少可用内存以及产生多少中间数据。
最佳文件大小各不相同,并且可以通过最佳方式进行衡量,但需要考虑以下一些关键因素:
- 文件总数限制了整体并行性,因此应大于内核数。
- 处理分区所使用的内存量应小于执行程序可用的内存量。 (AWS胶约4GB)
- 每个文件的读取都有开销,因此您不需要太多的小文件。
如果您只有8个核心,我倾向于10MB或更大的文件。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。