我有一个非常简单的火花工作,读取百万电影评级,并告诉评级和评级的次数 . 作业在spark集群上运行,运行正常 .
关于我用来运行作业的参数有几个问题?
- 我有2个节点在运行 . 节点-1 = 24GB RAM和8 VCPU 's. Node-2 = 8GB RAM & 2 VCPU' s .
所以我完全拥有32GB内存和10个VCPU .
spark-submit命令 .
spark-submit --master spark://hadoop-master:7077 --executor-memory 4g --num-executors 4 --executor-cores 4 /home/hduser/ratings-counter.py
当我运行上述命令时,spark使用哪个内核,是来自node-1还是node-2,还是随机分配?
2.如果我不使用执行程序的数量,那么spark使用的默认执行程序是什么?
from pyspark import SparkConf, SparkContext
import collections
conf = SparkConf().setMaster("hadoop-master").setAppName("RatingsHistogram")
sc = SparkContext(conf = conf)
lines = sc.textFile("hdfs://hadoop-master:8020/user/hduser/gutenberg/ml-10M100K/ratings.dat")
ratings = lines.map(lambda x: x.split('::')[2])
result = ratings.countByValue()
sortedResults = collections.OrderedDict(sorted(result.items()))
for key, value in sortedResults.items():
print("%s %i" % (key, value))
1 回答
这实际上取决于您初始化的 Worker 数量 . 因为在你的spark-submit cmd中你总共指定了4个执行程序,每个执行程序将从Spark Worker的总内存和内核中分配4GB的内存和4个内核 . 查看每个执行程序启动的节点的一个简单方法是检查Spark的主UI(默认端口是8080)并从那里选择正在运行的应用程序 . 然后,您可以在应用程序的UI中检查执行程序选项卡 .
通常,它为每个worker实例初始化一个执行程序,并使用所有worker的资源 .