杭州建设网站 网站建设,网页网站的区别,无极电影网评,广州公共资源建设工程交易中心网站一、术语与宽窄依赖
1、术语解释
1、Master(standalone):资源管理的主节点#xff08;进程#xff09;
2、Cluster Manager:在集群上获取资源的外部服务(例如#xff1a;standalone,Mesos,Yarn)
3、Worker Node(standalone):资源管理的从节点(进程)或者说管理本机资源的…一、术语与宽窄依赖
1、术语解释
1、Master(standalone):资源管理的主节点进程
2、Cluster Manager:在集群上获取资源的外部服务(例如standalone,Mesos,Yarn)
3、Worker Node(standalone):资源管理的从节点(进程)或者说管理本机资源的进程
4、Driver Program:用于连接工作进程(Worker)的程序
5、Executor:是一个worker进程所管理的节点上为某Application启动的一个进程该进程负责运行任务并且负责将数据存在内存或者磁盘上。每个应用都有各自独立的executors
6、Task被送到某个executor上的工作单元
7、Job包含很多任务Task的并行计算可以看做和action对应
8、Stage一个Job会被拆分很多组任务每组任务被称为Stage(就像Mapreduce分map task和reduce task一样)
2、窄依赖和宽依赖
RDD之间有一系列的依赖关系依赖关系又分为窄依赖和宽依赖。
窄依赖
父RDD和子RDD partition之间的关系是一对一的。或者父RDD一个partition只对应一个子RDD的partition情况下的父RDD和子RDD partition关系是多对一的。不会有shuffle的产生。
宽依赖
父RDD与子RDD partition之间的关系是一对多。会有shuffle的产生。
宽窄依赖图理解 二、Stage的计算模式
Spark任务会根据RDD之间的依赖关系形成一个DAG有向无环图DAG会提交给DAGSchedulerDAGScheduler会把DAG划分相互依赖的多个stage划分stage的依据就是RDD之间的宽窄依赖。遇到宽依赖就划分stage,每个stage包含一个或多个task任务。然后将这些task以taskSet的形式提交给TaskScheduler运行。stage是由一组并行的task组成。
stage切割规则
切割规则从后往前遇到宽依赖就切割stage。 stage计算模式
pipeline管道计算模式,pipeline只是一种计算思想模式。 1、数据一直在管道里面什么时候数据会落地
对RDD进行持久化。shuffle write的时候。
2、Stage的task并行度是由stage的最后一个RDD的分区数来决定的 。
3、如何改变RDD的分区数
例如reduceByKey(XXX,3),GroupByKey(4)
4、测试验证pipeline计算模式
1.val conf new SparkConf()
2.conf.setMaster(local).setAppName(pipeline);
3.val sc new SparkContext(conf)
4.val rdd sc.parallelize(Array(1,2,3,4))
5.val rdd1 rdd.map { x {
6. println(map--------x)
7. x
8.}}
9.val rdd2 rdd1.filter { x {
10. println(fliter********x)
11. true
12.} }
13.rdd2.collect()
14.sc.stop() 三、Spark资源调度和任务调度 Spark资源调度和任务调度的流程
启动集群后Worker节点会向Master节点汇报资源情况Master掌握了集群资源情况。当Spark提交一个Application后根据RDD之间的依赖关系将Application形成一个DAG有向无环图。任务提交后Spark会在Driver端创建两个对象DAGScheduler和TaskSchedulerDAGScheduler是任务调度的高层调度器是一个对象。DAGScheduler的主要作用就是将DAG根据RDD之间的宽窄依赖关系划分为一个个的Stage然后将这些Stage以TaskSet的形式提交给TaskSchedulerTaskScheduler是任务调度的低层调度器这里TaskSet其实就是一个集合里面封装的就是一个个的task任务,也就是stage中的并行度task任务TaskSchedule会遍历TaskSet集合拿到每个task后会将task发送到计算节点Executor中去执行其实就是发送到Executor中的线程池ThreadPool去执行。task在Executor线程池中的运行情况会向TaskScheduler反馈当task执行失败时则由TaskScheduler负责重试将task重新发送给Executor去执行默认重试3次。如果重试3次依然失败那么这个task所在的stage就失败了。stage失败了则由DAGScheduler来负责重试重新发送TaskSet到TaskSchdeulerStage默认重试4次。如果重试4次以后依然失败那么这个job就失败了。job失败了Application就失败了。
TaskScheduler不仅能重试失败的task,还会重试straggling落后缓慢task也就是执行速度比其他task慢太多的task。如果有运行缓慢的task那么TaskScheduler会启动一个新的task来与这个运行缓慢的task执行相同的处理逻辑。两个task哪个先执行完就以哪个task的执行结果为准。这就是Spark的推测执行机制。在Spark中推测执行默认是关闭的。推测执行可以通过spark.speculation属性来配置。
注意
对于ETL类型要入数据库的业务要关闭推测执行机制这样就不会有重复的数据入库。如果遇到数据倾斜的情况开启推测执行则有可能导致一直会有task重新启动处理相同的逻辑任务可能一直处于处理不完的状态。 2、图解Spark资源调度和任务调度的流程 3、粗粒度资源申请和细粒度资源申请
粗粒度资源申请(Spark
在Application执行之前将所有的资源申请完毕当资源申请成功后才会进行任务的调度当所有的task执行完成后才会释放这部分资源。
优点在Application执行之前所有的资源都申请完毕每一个task直接使用资源就可以了不需要task在执行前自己去申请资源task启动就快了task执行快了stage执行就快了job就快了application执行就快了。
缺点直到最后一个task执行完成才会释放资源集群的资源无法充分利用。
细粒度资源申请MapReduce
Application执行之前不需要先去申请资源而是直接执行让job中的每一个task在执行前自己去申请资源task执行完成就释放资源。
优点集群的资源可以充分利用。
缺点task自己去申请资源task启动变慢Application的运行就相应的变慢了。
