PySpark学习笔记4-共享变量,内核调度

共享变量

解决方案一-广播变量

将本地列表标记成广播变量

可以实现降低内存占用和减少网络IO传输,提高性能

python 复制代码
boradcast = sc.boardcast(stu_info_list)
value = broadcast.value

解决方案二-累加器

python 复制代码
acmlt = sc.accumulator(0)

可以收集执行器的执行结果并作用在自己的身上
Spark内核调度

DAG:有向五环图

一个action会产生一个DAG

一个DAG运行会产生一个job

一个代码运行起来包含叫做Application,包含多job

DAG和分区关联后,可以得到有分区关系的DAG图
DAG的宽窄依赖和阶段划分

窄依赖:父RDD的一个分区,将全部数据发给子RDD的一个分区

宽依赖: 父RDD的一个分区会将数据发给子RDD的多个分区

宽依赖还有一个别名shuffle

对于Spark过程,会按照宽依赖划分不同的DAG阶段,从后向前,遇到一个宽依赖就换分出一个阶段,成为stage,二每个stage的内部一定都是窄依赖
面试题1

spark怎么做内存计算的?DAG的作用?stage阶段划分的作用?

spark会使用DAG图进行内存计算,DAG图会根据分区和宽窄依赖划分阶段,每一个阶段饿的内部都是窄依赖,这些内存迭代计算的管道形成一个个具体的执行任务,一个任务对应一个线程,任务在线程中运行,就是在进行内存计算。
面试题2

spark为什么mapreduce计算效率快?

spark的算子丰富,mapreduce算子匮乏,很多复杂的人物需要多个mapreduc进行串联,通过磁盘交互数据

spark可以执行内存迭代,听过形成DAG并基于依赖划分阶段后,在阶段内可以形成内存迭代管道,但是map使用硬盘进行交互的,spark可以使用更多的内存计算而不是磁盘迭代

spark程序的调度流程如图所示

1.driver被构建出来

2.构建spark Context:执行环境入口对象

3.基于DAG调度器构建逻辑任务分配

4.基于任务调度器将逻辑任务分配到各个执行器上干活,并监控他们

5.执行器被任务调度器监控,听从他们的指令工作,并定期汇报工作进度

driver的两个重要组件:DAG调度器和task调度器

相关推荐
阿絮~1 小时前
Apache RocketMQ进阶之路阅读笔记和疑问
笔记·apache·rocketmq
天水幼麟6 小时前
动手学深度学习-学习笔记(总)
笔记·深度学习·学习
天水幼麟8 小时前
动手学深度学习-学习笔记【二】(基础知识)
笔记·深度学习·学习
绿皮的猪猪侠8 小时前
算法笔记上机训练实战指南刷题
笔记·算法·pta·上机·浙大
沧海一笑-dj8 小时前
【51单片机】51单片机学习笔记-课程简介
笔记·学习·51单片机·江科大·江科大学习笔记·江科大单片机·江科大51单片机
老虎06279 小时前
JavaWeb(苍穹外卖)--学习笔记04(前端:HTML,CSS,JavaScript)
前端·javascript·css·笔记·学习·html
大苏打seven10 小时前
Docker学习笔记:Docker网络
笔记·学习·docker
Green1Leaves11 小时前
pytorch学习-9.多分类问题
人工智能·pytorch·学习
慕y27412 小时前
Java学习第十五部分——MyBatis
java·学习·mybatis
碣石潇湘无限路12 小时前
【AI篇】当Transformer模型开始学习《孙子兵法》
人工智能·学习