- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我有兴趣了解 Spark 在从本地文件系统加载文件时如何创建分区。
我正在使用 Databricks 社区版来学习 Spark。当我使用 sc.textfile 命令加载一个大小只有几千字节(大约 300 kb)的文件时,spark 默认情况下会创建 2 个分区(由partitions.length 给出)。当我加载大约 500 MB 的文件时,它会创建 8 个分区(等于机器中的核心数量)。
这里的逻辑是什么?
此外,我从文档中了解到,如果我们从本地文件系统加载并使用集群,则该文件必须位于属于该集群的所有计算机上的同一位置。这不会创建重复项吗? Spark 如何处理这种场景?如果您能指出阐明这一点的文章,将会有很大帮助。
谢谢!
最佳答案
当 Spark 从本地文件系统读取时,默认的分区数量(由 defaultParallelism 标识)是所有可用核心的数量。
sc.textFile 将分区数量计算为 defaultParallelism(本地 FS 情况下的可用核心数)和 2 之间的最小值。
def defaultMinPartitions: Int = math.min(defaultParallelism, 2)
引用自:spark code
第一种情况:文件大小 - 300KB
由于文件大小非常小,因此分区数计算为 2。
第二种情况:文件大小 - 500MB
分区数等于默认并行度。在你的例子中,它是 8。
从 HDFS 读取时,sc.textFile 将采用 minPartitions 和基于 hadoop 输入分割大小除以 block 大小计算得出的分割数之间的最大值。
但是,当将 textFile 与压缩文件(file.txt.gz 而不是 file.txt 或类似文件)一起使用时,Spark 会禁用拆分,从而导致 RDD 仅具有 1 个分区(因为对 gzip 压缩文件的读取无法并行化)。
对于有关从集群中的本地路径读取数据的第二个查询:
文件需要在集群中的所有机器上可用,因为 Spark 可能会在集群中的机器上启动执行器,并且执行器将使用 (file://) 读取文件。
为了避免将文件复制到所有机器,如果您的数据已经位于 NFS、AFS 和 MapR 的 NFS 层等网络文件系统之一中,那么您只需指定一个文件即可将其用作输入://小路;只要文件系统安装在每个节点上的相同路径上,Spark 就会处理它。每个节点都需要有相同的路径。请引用:https://community.hortonworks.com/questions/38482/loading-local-file-to-apache-spark.html
关于apache-spark - Spark分区: Loading a file from the local file system on a Single Node Cluster,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/51571815/
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!