rdd分片spark_大数据技术之SparkCore（十）RDD重点补充

6.1 RDD相关概念关系

输入可能以多个文件的形式存储在HDFS上&＃xff0c;每个File都包含了很多块&＃xff0c;称为Block。当Spark读取这些文件作为输入时&＃xff0c;会根据具体数据格式对应的InputFormat进行解析&＃xff0c;一般是将若干个Block合并成一个输入分片&＃xff0c;称为InputSplit&＃xff0c;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。

1) 每个节点可以起一个或多个Executor。

2) 每个Executor由若干core组成&＃xff0c;每个Executor的每个core一次只能执行一个Task。

3) 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&＃xff0c;可以理解为就是Executor的一个工作线程。而 Task被执行的并发度 &＃61; Executor数目 * 每个Executor核数。至于partition的数目&＃xff1a;

1) 对于数据读入阶段&＃xff0c;例如sc.textFile&＃xff0c;输入文件被划分为多少InputSplit就会需要多少初始Task。

2) 在Map阶段partition数目保持不变。

3) 在Reduce阶段&＃xff0c;RDD的聚合会触发shuffle操作&＃xff0c;聚合后的RDD的partition数目跟具体操作有关&＃xff0c;例如repartition操作会聚合成指定分区数&＃xff0c;还有一些算子是可配置的。

RDD在计算的时候&＃xff0c;每个分区都会起一个task&＃xff0c;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&＃xff0c;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&＃xff0c;那么计算的时候就会生成100个task&＃xff0c;你的资源配置为10个计算节点&＃xff0c;每个两2个核&＃xff0c;同一时刻可以并行的task数目为20&＃xff0c;计算这个RDD就需要5个轮次。如果计算资源不变&＃xff0c;你有101个task的话&＃xff0c;就需要6个轮次&＃xff0c;在最后一轮中&＃xff0c;只有一个task在执行&＃xff0c;其余核都在空转。如果资源不变&＃xff0c;你的RDD只有2个分区&＃xff0c;那么同一时刻只有2个task运行&＃xff0c;其余18个核空转&＃xff0c;造成资源浪费。这就是在spark调优中&＃xff0c;增大RDD分区数目&＃xff0c;增大任务并行度的做法。

小结&＃xff1a;到此本大数据技术之SparkCore系列已完结&＃xff0c;后续会开始大数据技术之SparkSQL系列&＃xff0c;请继续关注。

(本文为系列文章&＃xff0c;关注作者阅读其它部分内容&＃xff0c;总有一篇是你欠缺的&＃xff0c;技术无止境&＃xff0c;且学且珍惜&＃xff01;&＃xff01;&＃xff01;)