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

不念不忘少年蓝@ 2021-09-25 01:12 345阅读 0赞

输入可能以多个文件的形式存储在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每个都会被分配到集群上的某个节点的某个**Executor**去执行。

![4e1aefecba3ee391e54defc448fdf027.png][]

*  **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。**

而 **Task被执行的并发度 = Executor数目（SPARK\_EXECUTOR\_INSTANCES） \* 每个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就会需要多少初始Task。
 *  在Map阶段partition数目保持不变。
 *  **在Reduce阶段**，**rdd的分区数目决定了总的的task数目，**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，增大任务并行度的做法。**

[4e1aefecba3ee391e54defc448fdf027.png]: /images/20210923/00cb144d6a294f628585fad622b67c41.png