- android - RelativeLayout 背景可绘制重叠内容
- android - 如何链接 cpufeatures lib 以获取 native android 库?
- java - OnItemClickListener 不起作用,但 OnLongItemClickListener 在自定义 ListView 中起作用
- java - Android 文件转字符串
我有两个具有以下配置的 mapr 集群,
cluster 1: hosted on aws, 3 nodes with 32g of memory/32 cores each
cluster 2: hosted on bare-metal servers, 8 nodes with 128g of memory/32 cores each
我在两个集群上通过 yarn 运行一段 pyspark 代码
df=hc.sql("select * from hive_table")
df.registerTempTable("df")
df.cache().count()
for: 100times
result=hc.sql('select xxxx from df')
result.write.saveAsTable('some hive table', mode='append')
以上代码在 spark 中提交了 100 个新作业(在 yarn 之上运行)。在集群 1 上,整个操作在 30 分钟内完成,但在更大的集群 2 上,完成相同操作需要 90 分钟。检查后,我发现虽然每个作业花费的时间几乎相同(在集群 2 中快一点),但在 2 中每个作业之间的时间比 1 长得多。
可能的原因,
如何提交作业?
Cluster 1: /opt/mapr/spark/spark-1.6.1/bin/spark-submit --master yarn --deploy-mode client --num-executors 10 --executor-memory 10g --executor-cores 5 --driver-memory 10g --driver-cores 10 --conf spark.driver.maxResultSize="0" --conf spark.default.parallelism="100" --queue default
Cluster 2: /opt/mapr/spark/spark-1.6.1/bin/spark-submit --master yarn --deploy-mode client --num-executors 10 --executor-memory 80g --executor-cores 28 --driver-memory 25g --driver-cores 25 --conf spark.driver.maxResultSize="0" --conf spark.default.parallelism="100" --queue default
附言:只贴了部分代码。代码中还有其他模块。总的来说,集群 2 处理代码的速度比集群 1 快 3 倍,所以我不认为“一般”速度有问题。
我的问题更具体到作业之间的“时间”。例如,上面的代码运行 100 个 spark-sql 作业,每个作业在集群 2 中平均花费 2 秒,在集群 1 中平均花费 5 秒。与集群 1 相比,集群 2 中每个作业之间的时间太长了。
最佳答案
在你的伪代码中我没有看到任何与驱动程序相关的操作(假设执行者将数据保存到分布式文件系统)
请注意:
df.cache()
但您似乎没有使用缓存的 df。看起来您正在尝试使用比可用更多的执行程序内存和内核。
在集群 #1 中,有 3 个 32GB 内存的节点,你的执行代码是:--num-executors 10 --executor-memory 10g
最好的情况是您将拥有 9 个执行程序,每个执行程序具有 10GB 的 RAM。每个节点上最多 3 个执行程序。我假设您每个节点只能执行 2 个执行程序(因为从 32GB 的 RAM 开始,超过 2GB 的内存将用于 yarn 、开销等,因此将剩下不到 29GB ==> 2 个容器每个 10GB)
==> Cluster #1 将有 6 到 9 个执行器
在集群#2 中,有 5 个节点,128GB RAM,你的执行代码是:--num-executors 10 --executor-memory 80g
最好的情况是您将拥有 5 个具有 80GB RAM 的执行程序。每个执行者在一个节点上。
由于集群 #1 有更多的执行器(即使它们更小),它可能运行得更快(取决于您的应用程序)
减少集群 #2 中的执行程序内存和内核,同时增加执行程序的数量应该会提供更好的性能。
关于hadoop - yarn Spark 作业调度较慢,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/41868082/
目前正在学习 Spark 的类(class)并了解到执行者的定义: Each executor will hold a chunk of the data to be processed. Thisc
阅读了有关 http://spark.apache.org/docs/0.8.0/cluster-overview.html 的一些文档后,我有一些问题想要澄清。 以 Spark 为例: JavaSp
Spark核心中的调度器与以下Spark Stack(来自Learning Spark:Lightning-Fast Big Data Analysis一书)中的Standalone Schedule
我想在 spark-submit 或 start 处设置 spark.eventLog.enabled 和 spark.eventLog.dir -all level -- 不要求在 scala/ja
我有来自 SQL Server 的数据,需要在 Apache Spark (Databricks) 中进行操作。 在 SQL Server 中,此表的三个键列使用区分大小写的 COLLATION 选项
所有这些有什么区别和用途? spark.local.ip spark.driver.host spark.driver.bind地址 spark.driver.hostname 如何将机器修复为 Sp
我有大约 10 个 Spark 作业,每个作业都会进行一些转换并将数据加载到数据库中。必须为每个作业单独打开和关闭 Spark session ,每次初始化都会耗费时间。 是否可以只创建一次 Spar
/Downloads/spark-3.0.1-bin-hadoop2.7/bin$ ./spark-shell 20/09/23 10:58:45 WARN Utils: Your hostname,
我是 Spark 的完全新手,并且刚刚开始对此进行更多探索。我选择了更长的路径,不使用任何 CDH 发行版安装 hadoop,并且我从 Apache 网站安装了 Hadoop 并自己设置配置文件以了解
TL; 博士 Spark UI 显示的内核和内存数量与我在使用 spark-submit 时要求的数量不同 更多细节: 我在独立模式下运行 Spark 1.6。 当我运行 spark-submit 时
spark-submit 上的文档说明如下: The spark-submit script in Spark’s bin directory is used to launch applicatio
关闭。这个问题是opinion-based .它目前不接受答案。 想改善这个问题吗?更新问题,以便可以通过 editing this post 用事实和引文回答问题. 6 个月前关闭。 Improve
我想了解接收器如何在 Spark Streaming 中工作。根据我的理解,将有一个接收器任务在执行器中运行,用于收集数据并保存为 RDD。当调用 start() 时,接收器开始读取。需要澄清以下内容
有没有办法在不同线程中使用相同的 spark 上下文并行运行多个 spark 作业? 我尝试使用 Vertx 3,但看起来每个作业都在排队并按顺序启动。 如何让它在相同的 spark 上下文中同时运行
我们有一个 Spark 流应用程序,这是一项长期运行的任务。事件日志指向 hdfs 位置 hdfs://spark-history,当我们开始流式传输应用程序时正在其中创建 application_X
我们正在尝试找到一种加载 Spark (2.x) ML 训练模型的方法,以便根据请求(通过 REST 接口(interface))我们可以查询它并获得预测,例如http://predictor.com
Spark newb 问题:我在 spark-sql 中进行完全相同的 Spark SQL 查询并在 spark-shell . spark-shell版本大约需要 10 秒,而 spark-sql版
我正在使用 Spark 流。根据 Spark 编程指南(参见 http://spark.apache.org/docs/latest/programming-guide.html#accumulato
我正在使用 CDH 5.2。我可以使用 spark-shell 运行命令。 如何运行包含spark命令的文件(file.spark)。 有没有办法在不使用 sbt 的情况下在 CDH 5.2 中运行/
我使用 Elasticsearch 已经有一段时间了,但使用 Cassandra 的经验很少。 现在,我有一个项目想要使用 Spark 来处理数据,但我需要决定是否应该使用 Cassandra 还是
我是一名优秀的程序员,十分优秀!