spark job

spark job提交

三级调度框架,
DagSch,计算stage,提交阶段,将stage映射成taskset,提交taskset给tasksch。
TaskSch
BackendSch

setMaster("local[n]")

n表示使用n个线程模拟的spark集群下的worker数据。
默认是1,n称为并发度。
textFile("..." , m),m是分区数,默认收到并发度的影响。
1. local
new LocalSchedulerBackend(sc.getConf, scheduler, 1)
2. local[4] / local[*]
* 是cpu内核数
def localCpuCount: Int = Runtime.getRuntime.availableProcessors()
val threadCount = if (threads == "*") localCpuCount else threads.toInt
3. local[m,n]
m是并发度,n是重试次数。
local[N, cores, memory] 4. spark://(.*)

RPC

remote procedure call ,远程过程调用。socket编程。

TaskScheduler

任务调度器接口,spark中只有一种实现TaskSchedulerImpl。

textFile()

加载文件时,可指定最小分区数,但最小分区数有默认值。

def textFile(path: String,minPartitions: Int = defaultMinPartitions)
//默认最小分区不会超过2
def defaultMinPartitions: Int = math.min(defaultParallelism, 2) //spark上下文的默认并发度 = 任务调度器的默认并发度
def SparkContext.defaultParallelism: Int = {taskScheduler.defaultParallelism } //任务调度器的默认并发度 = 后台调度器的默认并发度
override def taskScheduler.defaultParallelism(): Int = backend.defaultParallelism() 1.LocalScheduclerBackend
//local 本地后台调度器,读取默认并发度配置属性,若没有,则采用cpu内核数作为默认并发度。
new LocalSchedulerBackend(sc.getConf, scheduler, 1)
//local[*|n],取出指定的内核数
new LocalSchedulerBackend(sc.getConf, scheduler, threadCount)
//local[N,cores,memory],跟local[n]
new LocalSchedulerBackend(sc.getConf, scheduler, threadCount) //
override def defaultParallelism(): Int = scheduler.conf.getInt("spark.default.parallelism", totalCores) 2.CoarseGrainedSchedulerBackend
粗粒度后台调度器
3.StandaloneSchedulerBackend
独立模式后台调度器 , 继承与CoarseGrainedSchedulerBackend.

spark最小分区数计算

sc.textFile( ..., n) ;
HadoopRDD -> MapPaqrtitionRDD.
rdd.partitions.length ;

Sparkjob在集群模式下,分两步走

1.创建SparkContext对象时,在spark master中注册应用.分配资源,在worker节点启动Executor进程。

spark集群默认的资源使用

core	:	使用worker节点的所有内核,内核进行物理检测。
memory : 内存使用1g内存,内存不进行物理检测。 修改默认值
[spark/conf/spark-env.sh]
...
# 每个worker使用的内核数
export SPARK_WORKER_CORES=6 #每个worker使用内存数
export SPARK_WORKER_MEMORY=6g #是否可以在一个节点启动几个worker进程
export SPARK_WORKER_INSTANCES=2 #master和worker进程本身的内存数
export SPARK_DAEMON_MEMORY=200m [修改完之后分发]
xsync.sh spark-env.sh

Spark job的资源控制

spark-submit --help
Usage: spark-submit [options] <app jar | python file> [app arguments]
Usage: spark-submit --kill [submission ID] --master [spark://...]
Usage: spark-submit --status [submission ID] --master [spark://...]
Usage: spark-submit run-example [options] example-class [example args] Options:
--master MASTER_URL spark://host:port, mesos://host:port, yarn, or local.
--deploy-mode DEPLOY_MODE Whether to launch the driver program locally ("client") or
on one of the worker machines inside the cluster ("cluster")
(Default: client).
--class CLASS_NAME Your application's main class (for Java / Scala apps).
--name NAME A name of your application.
--jars JARS Comma-separated list of local jars to include on the driver
and executor classpaths.
--packages Comma-separated list of maven coordinates of jars to include
on the driver and executor classpaths. Will search the local
maven repo, then maven central and any additional remote
repositories given by --repositories. The format for the
coordinates should be groupId:artifactId:version.
--exclude-packages Comma-separated list of groupId:artifactId, to exclude while
resolving the dependencies provided in --packages to avoid
dependency conflicts.
--repositories Comma-separated list of additional remote repositories to
search for the maven coordinates given with --packages.
--py-files PY_FILES Comma-separated list of .zip, .egg, or .py files to place
on the PYTHONPATH for Python apps.
--files FILES Comma-separated list of files to be placed in the working
directory of each executor. --conf PROP=VALUE Arbitrary Spark configuration property.
--properties-file FILE Path to a file from which to load extra properties. If not
specified, this will look for conf/spark-defaults.conf. --driver-memory MEM Memory for driver (e.g. 1000M, 2G) (Default: 1024M).
--driver-java-options Extra Java options to pass to the driver.
--driver-library-path Extra library path entries to pass to the driver.
--driver-class-path Extra class path entries to pass to the driver. Note that
jars added with --jars are automatically included in the
classpath. c --proxy-user NAME User to impersonate when submitting the application.
This argument does not work with --principal / --keytab. --help, -h Show this help message and exit.
--verbose, -v Print additional debug output.
--version, Print the version of current Spark. Spark standalone with cluster deploy mode only:
--driver-cores NUM Cores for driver (Default: 1). Spark standalone or Mesos with cluster deploy mode only:
--supervise If given, restarts the driver on failure.
--kill SUBMISSION_ID If given, kills the driver specified.
--status SUBMISSION_ID If given, requests the status of the driver specified. Spark standalone and Mesos only:
--total-executor-cores NUM Total cores for all executors. Spark standalone and YARN only:
--executor-cores NUM Number of cores per executor. (Default: 1 in YARN mode,
or all available cores on the worker in standalone mode) YARN-only:
--driver-cores NUM Number of cores used by the driver, only in cluster mode
(Default: 1).
--queue QUEUE_NAME The YARN queue to submit to (Default: "default").
--num-executors NUM Number of executors to launch (Default: 2).
If dynamic allocation is enabled, the initial number of
executors will be at least NUM.
--archives ARCHIVES Comma separated list of archives to be extracted into the
working directory of each executor.
--principal PRINCIPAL Principal to be used to login to KDC, while running on
secure HDFS.
--keytab KEYTAB The full path to the file that contains the keytab for the
principal specified above. This keytab will be copied to
the node running the Application Master via the Secure
Distributed Cache, for renewing the login tickets and the
delegation tokens periodically. --driver-memory 2g //控制driver堆内存,默认1g
--executor-memory MEM //每个executor的内存,默认 1G. [standalone + cluster]
--driver-cores NUM //控制driver的内核数 [Spark standalone和 Mesos]
--total-executor-cores NUM //用于所有executor的总的内核数 [spark standalone | yarn]
--executor-cores //每个执行器的内核数,yarn模式是1,standalone是所有可能内核。 [YARN-only]
--driver-cores NUM //driver内核数,只用于cluster模式(Default: 1).
--num-executors NUM //启动的执行器个数(Default: 2).
-- 每个执行器分配4个核
spark-shell --master spark://s201:7077 --driver-memory 800m --executor-memory 800m --executor-cores 10 --
spark-shell --master spark://s201:7077 --executor-memory 3g --executor-cores 4 --total-executor-cores 16 -- yarn模式下指定资源
spark-submit --master yarn --deploy-mode client --class TempAggDemoScala_GroupByKey --executor-memory 1g --executor-cores 2 --num-executors 4 myspark.jar 1000
spark-submit --master yarn --deploy-mode cluster --class TempAggDemoScala_GroupByKey --executor-memory 1g --executor-cores 2 --num-executors 4 myspark.jar 1000

spark job分析的更多相关文章

  1. Spark源代码分析之六:Task调度(二)

    话说在<Spark源代码分析之五:Task调度(一)>一文中,我们对Task调度分析到了DriverEndpoint的makeOffers()方法.这种方法针对接收到的ReviveOffe ...

  2. Spark原理分析目录

    1 Spark原理分析 -- RDD的Partitioner原理分析 2 Spark原理分析 -- RDD的shuffle简介 3 Spark原理分析 -- RDD的shuffle框架的实现概要分析 ...

  3. 从0到1进行Spark history分析

    一.总体思路 以上是我在平时工作中分析spark程序报错以及性能问题时的一般步骤.当然,首先说明一下,以上分析步骤是基于企业级大数据平台,该平台会抹平很多开发难度,比如会有调度日志(spark-sub ...

  4. Spark网络通信分析

    之前分析过spark RPC的基本流程(spark RPC详解),其实无论是RPC还是Spark内部的数据(Block)传输,都依赖更底层的网络通信,本文将对spark的网络通信做一下剖析. 1,概要 ...

  5. Spork: Pig on Spark实现分析

    介绍 Spork是Pig on Spark的highly experimental版本号,依赖的版本号也比較久,如之前文章里所说.眼下我把Spork维护在自己的github上:flare-spork. ...

  6. hive Spark SQL分析窗口函数

    Spark1.4发布,支持了窗口分析函数(window functions).在离线平台中,90%以上的离线分析任务都是使用Hive实现,其中必然会使用很多窗口分析函数,如果SparkSQL支持窗口分 ...

  7. Spark案例分析

    一.需求:计算网页访问量前三名 import org.apache.spark.rdd.RDD import org.apache.spark.{SparkConf, SparkContext} /* ...

  8. Spark源代码分析之中的一个:Job提交执行总流程概述

    Spark是一个基于内存的分布式计算框架.执行在其上的应用程序,依照Action被划分为一个个Job.而Job提交执行的总流程.大致分为两个阶段: 1.Stage划分与提交 (1)Job依照RDD之间 ...

  9. spark复习笔记(4):spark脚本分析

    1.[start-all.sh] #!/usr/bin/env bash # # Licensed to the Apache Software Foundation (ASF) under one ...

随机推荐

  1. 剑指offer57:二叉树的下一个结点

    1 题目描述 给定一个二叉树和其中的一个结点,请找出中序遍历顺序的下一个结点并且返回.注意,树中的结点不仅包含左右子结点,同时包含指向父结点的指针. 2 思路和方法 中序遍历,下一个结点有两种情况 a ...

  2. python第一个浏览器的自动执行程序

    1.目标:简单点,百度搜索“美丽的程序员” 2.操作方法: a.python已经安装完成 b.安装PIP:在windows的cmd窗口下输入easy_install pip      c.安装sele ...

  3. 1,electron搭建

    electron可以用js来创建丰富的桌面应用 一个electron应用的目录结构 your-app/ ├── package.json ├── main.js └── index.html 1,安装 ...

  4. vue 中使用rem布局

    在使用vue-cli搭建好项目框架后,在目录结构的index.html文件中添加一段js代码: fnResize(); window.onresize = function () { fnResize ...

  5. Nginx学习笔记(一):Nginx 进程模型 / 事件处理模型

    Nginx 进程模型 ​​​​ 多进程模型 进程间相互独立,无需加锁,且互不影响: 一个进程退出了不影响其他的进程运行,降低风险: 当请求到来,多个 worker 通过竞争 accrpt_mutex ...

  6. Qt里的原子操作QAtomicInteger,有挑战性,使用Q_ATOMIC_INT{nn}_IS_SUPPORTED测试系统是否支持

    所谓原子操作,即一系列复杂的操作能一气呵成,中间不被其他的操作打断.这在多线程程序中尤其常见,但要实现这种功能,既要考虑程序的良好设计,又要关心特定平台的体系结构和相关编译器对原子特性的支持程度.所以 ...

  7. C# wsdl.exe 生成类文件

    wsdl.exe D:\XXX\demand\demand.\wsdl\XXX.wsdl /\wsdl\class 在 vs tools:Developer Command Prompt For VS ...

  8. jacascript Date 学习

    前言:这是笔者学习之后自己的理解与整理.如果有错误或者疑问的地方,请大家指正,我会持续更新! Date dateObject.getDate();  返回一个月中的某一天(1-31) dateObje ...

  9. Java Web-Filter and listener

    Java Web-Filter and listener Filter:过滤器 概述 拦截请求,完成一些特殊的功能. 过滤器的作用: 一般用于完成通用的一些操作,例如登录验证(通过session来判断 ...

  10. AI 公司与比赛

    科大讯飞 网站:https://www.iflytek.com/ 比赛:http://challenge.xfyun.cn/2019/ AI 大学:https://www.aidaxue.com/ 华 ...