美文网首页
Spark(十七) Spark性能调优之数据本地化

Spark(十七) Spark性能调优之数据本地化

作者: 文子轩 | 来源:发表于2019-01-16 13:55 被阅读17次

    一、原理

    1、PROCESS_LOCAL:进程本地化,代码和数据在同一个进程中,也就是在同一个executor中;计算数据的task由executor执行,数据在executor的BlockManager中;性能最好

    2、NODE_LOCAL:节点本地化,代码和数据在同一个节点中;比如说,数据作为一个HDFS block块,就在节点上,而task在节点上某个executor中运行;或者是,数据和task在一个节点上的不同executor中;数据需要在进程间进行传输

    3、NO_PREF:对于task来说,数据从哪里获取都一样,没有好坏之分

    4、RACK_LOCAL:机架本地化,数据和task在一个机架的两个节点上;数据需要通过网络在节点之间进行传输

    5、ANY:数据和task可能在集群中的任何地方,而且不在一个机架中,性能最差

    spark.locality.wait,默认是3s

    二、流程图解


    分布图解

    Spark在Driver上,对Application的每一个stage的task,进行分配之前,都会计算出每个task要计算的是哪个分片数据,RDD的某个partition;Spark的task分配算法,优先,会希望每个task正好分配到它要计算的数据所在的节点,这样的话,就不用在网络间传输数据;

    但是呢,通常来说,有时,事与愿违,可能task没有机会分配到它的数据所在的节点,为什么呢,可能那个节点的计算资源和计算能力都满了;所以呢,这种时候,通常来说,Spark会等待一段时间,默认情况下是3s钟(不是绝对的,还有很多种情况,对不同的本地化级别,都会去等待),到最后,实在是等待不了了,就会选择一个比较差的本地化级别,比如说,将task分配到靠它要计算的数据所在节点,比较近的一个节点,然后进行计算。

    但是对于第二种情况,通常来说,肯定是要发生数据传输,task会通过其所在节点的BlockManager来获取数据,BlockManager发现自己本地没有数据,会通过一个getRemote()方法,通过TransferService(网络数据传输组件)从数据所在节点的BlockManager中,获取数据,通过网络传输回task所在节点。

    对于我们来说,当然不希望是类似于第二种情况的了。最好的,当然是task和数据在一个节点上,直接从本地executor的BlockManager中获取数据,纯内存,或者带一点磁盘IO;如果要通过网络传输数据的话,那么实在是,性能肯定会下降的,大量网络传输,以及磁盘IO,都是性能的杀手。

    三、配置实践
    我们什么时候要调节这个参数?

    观察日志,spark作业的运行日志,推荐大家在测试的时候,先用client模式,在本地就直接可以看到比较全的日志。
    日志里面会显示,starting task。。。,PROCESS LOCAL、NODE LOCAL
    观察大部分task的数据本地化级别

    如果大多都是PROCESS_LOCAL,那就不用调节了
    如果是发现,好多的级别都是NODE_LOCAL、ANY,那么最好就去调节一下数据本地化的等待时长
    调节完,应该是要反复调节,每次调节完以后,再来运行,观察日志
    看看大部分的task的本地化级别有没有提升;看看,整个spark作业的运行时间有没有缩短

    你别本末倒置,本地化级别倒是提升了,但是因为大量的等待时长,spark作业的运行时间反而增加了,那就还是不要调节了

    怎么调节?

    spark.locality.wait,默认是3s;6s,10s

    默认情况下,下面3个的等待时长,都是跟上面那个是一样的,都是3s

    spark.locality.wait.process
    spark.locality.wait.node
    spark.locality.wait.rack
    
    new SparkConf()
     .set("spark.locality.wait", "10")
    

    相关文章

      网友评论

          本文标题:Spark(十七) Spark性能调优之数据本地化

          本文链接:https://www.haomeiwen.com/subject/rqhmdqtx.html