首页  思维导图  详情

spark

2019-09-03 10:12:14   0  举报





AI智能生成

为你推荐

查看更多



Spark

spark

作者其他创作

大纲/内容

spark

任务调度

专业术语

Application

一段应用程序，wordcount

job

一般与action类算子一一对应

stage

一个task

task

计算单元，一个task就是一个线程

Master

集群管理的主节点

Worker

集群管理从节点

Executor

计算进程，在计算进程中有一个线程池

ThreadPool

执行task线程池

划分

将job划分成一个个stage的目的就是为了pipeline计算模式\\管道计算模式

理论上：每个stage下有多少分区，就有多少task

宽依赖往往对应着shuffle操作，需要运行过程中将同一个父RDD的分区传入不同子RDD分区中，中间可能涉及多个节点之间的数据传输；

窄依赖的每个父RDD分区只会传入到一个子RDD分区中，通常可以在一个节点内完成转换。

流程

RDD

RDD中实际不存储数据，存储的是数据的位置以及处理数据的逻辑

task中逻辑就是将这个task所贯穿的各个partition中逻辑以递归函数展开式方式整合起来的fun2(fun1(textFile(block1)))textFile底层MR读文件的方法，一行行的读。

子主题

TaskScheduler任务失败，1+3（重试），都不行，退回DAGSchedluer重试4次（有问题的stage）都不行job失败

挣扎task(执行慢的)

推测，争抢任务

如何判断这个task是一个挣扎task?

1.5 100ms 0/75

计算1T数据，使用单进程单线程6h能够执行完毕，如果使用spark(多进程，多线程)来处理12h

原因：数据发生倾斜并且还开启了推测执行

数据倾斜

对于计算来说数据倾斜就是大部分task处理了少量的数据，小部分task处理大量数据

关闭推测执行

开启推测进行

数据有重复数据

关于etl类型业务，如何避免数据库中重复数据？

设置事务表！主键！

配置

Driver进程中存在DAGscheduler和Taskscheduler

DAGScheduler

1.根据依赖关系切割job

2.如果stage失败，重试stage

TaskScheduler

1.接收DAGScheduler的stage 遍历

2.失败task

3.拖后腿

负责为当前的Application申请资源

调度

粗粒度资源调度（spark）

描述:执行任务之前，会将所有的资源申请完毕，直到所有的任务全部执行完毕，才释放这部分资源

优点

在每一个task执行之前不需要自己去申请资源了，那么每一个task执行之前不需要自己去申请资源，那么每一个task执行时间变短

缺点

直到最后一个任务执行完毕才会释放资源，导致集群资源无法充分使用

细粒度资源调度（mapreduce）

描述:在任务执行之前不会先去申请资源的，直接进行任务的调度，每个task在执行之前自己去申请资源，申请到就执行，申请不到就能等待，当task执行完毕，就立马释放资源

充分利用集群的资源

信息

Master和Worker之间有心跳机制的，Worker向Master发送心跳，发送心跳过程会不会携带当前Worker资源信息？不会，只会携带当前Worker的ID号。

累加器

用法

sc.accumulator(0)

注意

必须在Driver端定义

累加器只能在Driver端读，不能再Executor端读

广播变量

普通变量：集合副本数=task数

广播变量：集合副本数=Eexecutor数据

1.广播变量必须在Driver端定义

2.广播只能在Driver端修改，不能再Executor端修改

资源调度

1.默认情况下，一个worker为当前Application只启动一个Executor

2.这个Executor会使用1G内存和这个Worker所能管理的所有core

3.默认情况下，Executor启动方式轮询启动，有利于数据本地化

schedule()

1.startDriver

2.startExecutordOnWorkers

分区列表

每个分区都有一个计算函数

依赖于其他RDD的列表

数据类型（key-value）的RDD分区器

每个分区都有一个优先位置列表

spark比MR快的原因

1.spark支持pipline计算模式

2.spark资源复用

1core分配2~3 task

spark基于内存迭代

spark算子

repartition(numPartitions:Int):RDD[T]

重新分区

每一个stage task的个数与这个stage中最后一个RDD分区数有关

coalesce(numPartitions:Int，shuffle:Boolean=false):RDD[T]

提高并行度

2.增加HDFS上block数

4.重分区 coalescem repartition

5.自定义分区器

distinct

原生

shuffle

聚合

Shuffle Write

上一个stage的每个map task 就必须保证将自己处理的当前分区中数据相同的key写入一个分区文件，可能多个不同分区文件

Shuffle Read

reduce task 就会生成从上一个stage的所有task所在的机器上寻找属于自己那些分区文件，这样就可以保证每个key所对应value都会汇聚到同一个节点上去处理和聚合。

问题

小文件过多，耗时低效IO操作

miner gc

full gc

oom

OOM，读写文件以及缓存过多

优化后hashshufflemanager

hashSuffle

普通机制

每个map task 都会产生R(reduce task 的个数)个磁盘小文件，M*R个磁盘小文件

磁盘小文件过多，有什么影响？

1.写磁盘的时候，会产生大量写文件对象

2.读文件的时候，会产生大量读文件的对象

3.频繁大量通信

对象过多》内存不足》 GC 》 OOM

合并机制

每个Executor(1 core) 会产生R个磁盘小文件磁盘小文件 = c*r 个 c * r > m* r ? 一个core一般给他分配2-3个task执行

处理大量小文件

SortShuffleManager

内存数据结构！ map array

SortShuffleManager bypass

bypass运行机制

shuffle reduce task 数量小于spark.shuffle.sort.bypassMergeThreshold参数的值

参数

spark.shuffle.file.buffer

该参数用于设置shuffle write task的BufferedOutputStream的buffer缓冲大小。将数据写到磁盘文件之前，会先写入buffer缓冲中，待缓冲写满之后，才会溢写到磁盘。调优建议：如果作业可用的内存资源较为充足的话，可以适当增加这个参数的大小（比如64k），从而减少shuffle write过程中溢写磁盘文件的次数，也就可以减少磁盘IO次数，进而提升性能。在实践中发现，合理调节该参数，性能会有1%~5%的提升。

spark.reducer.maxSizeInFlight

参数说明：该参数用于设置shuffle read task的buffer缓冲大小，而这个buffer缓冲决定了每次能够拉取多少数据。调优建议：如果作业可用的内存资源较为充足的话，可以适当增加这个参数的大小（比如96m），从而减少拉取数据的次数，也就可以减少网络传输的次数，进而提升性能。在实践中发现，合理调节该参数，性能会有1%~5%的提升。

spark.shuffle.io.maxRetries

reduce OOM？

原因

1.shuffle聚合内存大小

2.reduce task 每次去map端数据量太小，来不及聚合

解决

1.spark.reduce.maxSizelnFlight小一点

2.增大shuffle聚合内存比例0.2 调优一般是成倍的增大或者减少

3.最大增大Executor内存

从Executor角度

reduce oom ?

map端拉取数据量大，但是聚合少