>更新:
我正在使用火花sql 1.5.2。尝试读取许多镶木地板文件并过滤和聚合行 - 在我的 hdfs 中,~30 个文件中存储了 ~35M 的行,处理时间超过 10 分钟
val logins_12 = sqlContext.read.parquet("events/2015/12/*/login")
val l_12 = logins_12.where("event_data.level >= 90").select(
"pid",
"timestamp",
"event_data.level"
).withColumn("event_date", to_date(logins_12("timestamp"))).drop("timestamp").toDF("pid", "level", "event_date").groupBy("pid", "event_date").agg(Map("level"->"max")).toDF("pid", "event_date", "level")
l_12.first()
我的 Spark 在两个节点集群中运行,每个集群都有 8 个核心和 16Gb RAM,Scala 输出让我明白计算只在一个线程中运行:
scala> x.first()
[Stage 1:=======> (50 + 1) / 368]
当我尝试 count() 而不是 first() 时,看起来两个线程正在进行计算。 这仍然比我预期的要少,因为有 ~30 个文件可以并行处理
scala> l_12.count()
[Stage 4:=====> (34 + 2) / 368]
我正在启动 Spark 控制台,在 yarn-client 模式下,执行器 14g 和驱动程序为 4g
./bin/spark-shell -Dspark.executor.memory=14g -Dspark.driver.memory=4g --master yarn-client
我对Spark的默认配置:
spark.executor.memory 2g
spark.logConf true
spark.eventLog.dir maprfs:///apps/spark
spark.eventLog.enabled true
spark.sql.hive.metastore.sharedPrefixes com.mysql.jdbc,org.postgresql,com.microsoft.sqlserver,oracle.jdbc,com.mapr.fs.shim.LibraryLoader,com.mapr.security.JNISecurity,com.mapr.fs.jni
spark.executor.extraClassPath
spark.yarn.historyServer.address http://test-01:18080
RDD 有 200 个分区
scala> logins_12.rdd.partitions.size
res2: Int = 368
scala> l_12.rdd.partitions.size
res0: Int = 200
有没有办法优化此代码?谢谢
这两种行为或多或少都是意料之中的。Spark 相当懒惰,它不仅不会执行转换,除非您触发操作,而且如果输出不需要,还可以跳过任务。由于first
只需要一个元素,因此它只能计算一个分区。这很可能是您在某个时候只看到一个正在运行的线程的原因。
关于第二个问题,这很可能是配置问题。假设 YARN 配置没有任何问题(我不使用 YARN,但看起来yarn.nodemanager.resource.cpu-vcores
可能是问题的根源),这很可能是 Spark 默认值的问题。正如您在配置指南中读到的那样spark.executor.cores
Yarn 默认设置为 1。两个工作线程提供两个运行线程。