Spark内核调度

一、DAG

DAG的方向其实就是代码的实现流程

演示代码

复制代码
# coding:utf8
# 导入Spark的相关包
from pyspark import SparkConf,SparkContext
from pyspark.storagelevel import StorageLevel
from defs import context_jieba,filter_words,append_words,extract_user_and_word
from operator import add
import time
if __name__ == "__main__":
    # 0.初始化执行环境,构建SparkContext对象
    conf = SparkConf().setAppName("test").setMaster("local[*]")
    sc = SparkContext(conf=conf)

    # 1.读取数据文件
    file_rdd = sc.textFile("hdfs://node1:8020/input/SogouQ.txt")
    # 2.对数据进行切分\t
    split_rdd = file_rdd.map(lambda x:x.split("\t"))
    # 3.因为要做多个需求,split_rdd作为基础的rdd,会被多次使用
    split_rdd.persist(StorageLevel.DISK_ONLY)

    # TODO:需求1:用户搜索的关键’词‘分析
    # 主要分析热点词
    # 将所有的搜索内容取出
    # print(split_rdd.takeSample(True, 3))
    context_rdd = split_rdd.map(lambda x:x[2])

    # 对搜索的内容进行分词分析
    words_rdd = context_rdd.flatMap(context_jieba)

    # print(words_rdd.collect())
    # 院校 帮 -> 院校帮
    # 博学 谷 -> 博学谷
    # 传智播 客 -> 传智播客
    filtered_rdd =words_rdd.filter(filter_words)
    # 将关键词转换:传智播 -> 传智播客
    final_words_rdd = filtered_rdd.map(append_words)
    # 对单词进行分组、聚合、排序求出前5名
    result1 = final_words_rdd.reduceByKey(lambda a,b:a+b).\
        sortBy(lambda x:x[1],ascending=False,numPartitions=1).\
        take(5)
    print("需求1结果:",result1)

    # TODO:需求2:用户和关键词组合分析
    # 1,我喜欢传智播客
    # 1+我 1+喜欢 1+传智播客
    user_context_rdd = split_rdd.map(lambda x:(x[1],x[2]))
    # 对用户的搜索内容进行分词,分词后和用户ID再次组合
    user_word_with_one_rdd = user_context_rdd.flatMap(extract_user_and_word)
    # 对内容进行 分组、聚合、排序 ,求前5
    result2 = user_word_with_one_rdd.reduceByKey(lambda a,b:a+b).\
        sortBy(lambda x:x[1],ascending=False,numPartitions=1).\
        take(5)
    print("需求2结果:",result2)

    # TODO:需求3:热门搜索时间段分析
    # 取出来所有的时间
    time_rdd = split_rdd.map(lambda x:x[0])
    # 对时间进行处理,只保留小时精度即可
    hour_with_one_rdd = time_rdd.map(lambda x:(x.split(":")[0],1))
    # 分组 聚合 排序
    result3 = hour_with_one_rdd.reduceByKey(add).\
        sortBy(lambda x:x[1],ascending=False,numPartitions=1).\
        collect()
    print("需求3结果:",result3)

针对代码的DAG图

一个action会产生1个job,每一个job有各自自己的DAG图

执行以上代码,可以在4040端口查看,有三个job

带有分区关系的DAG图

二、DAG的宽窄依赖和阶段划分

当我们遇到一个宽依赖就划分,这样就可以保证每一个阶段内都是窄依赖

三、内存迭代计算

面试题

四、spark并行度

先有并行度才有分区,比如先有三个并行度,对应才有了三个分区

rdd的一个分区只会被一个并行处理,也就是一个task处理

一个task可以处理多个rdd,但是只能处理rdd的一个分区

也就是在横向纵向上,都是一对一的关系

设置多个并行度的目的就是为了不让cpu闲下来,最大程度利用集群的资源

五、spark的任务调度

注意: executors 的数量和并行度无关

先规划出task,在根据executors进行分配

为了保证并行能力,将六个task合理分配到executors

如果一台服务器上运行两个executor,相当于两个进程,之间也是走网络,只不过是走的本地回环网络,比跨机器的网络快一点,因为进程之间是无法通过内存传输的

假设一台服务器上有四个task,一个executor,task之间就是通过内存传输,两个executor,不同executor中的task就是通过网络传输

建议多少台服务器,设置多少个executor

六、扩展 - spark运行中的概念名词大全

七、总结

相关推荐
专注API从业者7 小时前
基于 Node.js 的淘宝 API 接口开发:快速构建异步数据采集服务
大数据·前端·数据库·数据挖掘·node.js
哈基米喜欢哈哈哈7 小时前
Kafka复制机制
笔记·分布式·后端·kafka
孫治AllenSun8 小时前
【Kafka】重点概念和架构总结
分布式·架构·kafka
沧澜sincerely8 小时前
分布式2PC理论
分布式·2pc·一致性协议
##学无止境##8 小时前
解锁Java分布式魔法:CAP与BASE的奇幻冒险
java·开发语言·分布式
测试专家8 小时前
ARINC 825板卡的应用
大数据·网络·安全
小白不想白a9 小时前
【Hadoop】Zookeeper、HBase、Sqoop
hadoop·分布式·zookeeper·hbase·sqoop
2501_924877219 小时前
强逆光干扰漏检率↓78%!陌讯多模态融合算法在光伏巡检的实战优化
大数据·人工智能·算法·计算机视觉·目标跟踪
小白不想白a10 小时前
【Hadoop】YARN、离线计算框架MapReduce、Hive
大数据·hive·hadoop·mapreduce·yarn
2501_9248773510 小时前
智慧零售漏扫率↓79%!陌讯多模态融合算法在智能收银与货架管理的实战解析
大数据·人工智能·算法·目标检测·边缘计算·零售