在Spark集群中，集群的节点个数、RDD分区个数、cpu内核个数三者与并行度的关系？？


作者：王燚光
链接：https://www.zhihu.com/question/33270495/answer/93424104
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

梳理一下Spark中关于并发度涉及的几个概念File，Block，Split，Task，Partition，RDD以及节点数、Executor数、core数目的关系。

<img src="https://s2.51cto.com/images/blog/202406/28013455_667da2bf66e4b92220.png?x-oss-process=image/watermark,size_16,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_30,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=" data-rawwidth="896" data-rawheight="403" class="origin_image zh-lightbox-thumb" width="896" data-original="https://pic2.zhimg.com/2e8ed07e80d1457ed2480de85c9644a5_r.png">


spark集群组件作用 spark集群最少几个节点_工作线程


输入可能以多个文件的形式存储在HDFS上，每个File都包含了很多块，称为

Block。


当Spark读取这些文件作为输入时，会根据具体数据格式对应的InputFormat进行解析，一般是将若干个Block合并成一个输入分片，称为

InputSplit，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。


  • 每个节点可以起一个或多个Executor。
  • 每个Executor由若干core组成，每个Executor的每个core一次只能执行一个Task。
  • 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，可以理解为就是Executor的一个工作线程。

而 Task被执行的并发度 = Executor数目 * 每个Executor核数。

至于partition的数目：

  • 对于数据读入阶段，例如sc.textFile，输入文件被划分为多少InputSplit就会需要多少初始Task。
  • 在Map阶段partition数目保持不变。
  • 在Reduce阶段，RDD的聚合会触发shuffle操作，聚合后的RDD的partition数目跟具体操作有关，例如repartition操作会聚合成指定分区数，还有一些算子是可配置的。


作者：Mr Rex
链接：https://www.zhihu.com/question/33270495/answer/88953826
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。


spark集群组件作用 spark集群最少几个节点_知乎_02

图来自官方
Spark集群的节点个数为集群的机器的数量。一个机器上有几个worker，一个woker可以申请多少core是可配置的。一个常用的配置是：
一台机器一个worker，一个woker可拥有的最大core数是机器逻辑cpu的数量。
在这种情况下，一个core就可以理解为一台机器的一个逻辑核。

而RDD的分区个数决定了这个RDD被分为多少片（partition）来执行，一个片给一个Core。

假设有一个10台机器的集群，每台机器有8个逻辑核，并按照如上的配置，那么这个spark集群的可用资源是 80个core（这里只考虑cpu，实际上还有内存）。如果一个任务申请到了集群的所有资源（所有80个core）。现在有一个被分为100个partition的RDD被map执行，那么会同时启动80个Task也就是占用了所有80个core计算（实际是启动了80个线程），剩余20个partition等待某些task完成后继续执行。

当然理论上可以给一台机器配置更多的worker和core，即使实际上机器只有80个逻辑核，但是你总共配置100个core，就可以同时跑起来100个partition了（ no zuo no die ）