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
延凡科技29 分钟前
延凡科技光伏清洗预测系统
大数据·运维·人工智能·科技·无人机·智慧城市
菜鸟冲锋号38 分钟前
数据建设之明细层指标和汇总层指标结合方式
大数据·机器学习·数据挖掘
青云交43 分钟前
Java 大视界 -- Java 大数据在智能医疗电子病历数据分析与临床决策支持中的应用(382)
java·大数据·数据分析·flink·电子病历·智能医疗·临床决策
楠奕1 小时前
linux查看kafka的消费组里是否有积压
分布式·kafka
老四敲代码1 小时前
Kafka-Eagle 安装
分布式·kafka
拓端研究室1 小时前
专题:2025生命科学与生物制药全景报告:产业图谱、投资方向及策略洞察|附130+份报告PDF、原数据表汇总下载
大数据·人工智能
AI 嗯啦1 小时前
机械学习中的一些优化算法(以逻辑回归实现案例来讲解)
大数据·算法·逻辑回归
大力财经2 小时前
腾耘家族:爱心手拉手搭建家校共育桥梁,让爱与沟通常驻家庭
大数据
张人大 Renda Zhang2 小时前
如何用分布式架构视角理解宇宙稳定性?从精细调参到微服务的类比思考
前端·分布式·微服务·架构·图形渲染