- 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?
我们有非常简单的 Spark Streaming 作业(用 Java 实现),它是:
JSON 是用一组 1000 个 ID(键)生成的,所有事件都随机分布到 Kafka 主题分区。这也意味着,生成的对象集最多为 1000 个,因为作业仅存储每个 ID 的最高质量对象。
我们使用以下参数在 AWS EMR(m4.xlarge = 4 核,16 GB 内存)上运行性能测试:
Kafka 集群仅包含 1 个代理,在峰值负载期间最多使用 30-40%(我们将数据预填充到主题,然后独立执行测试)。我们尝试增加 num.io.threads 和 num.network.threads,但没有显着改善。
性能测试的结果(大约 10 分钟的连续负载)是(YARN 主节点和驱动程序节点在下面的节点数之上):
2 个节点的 CPU 利用率是 ~
我们还尝试了其他设置,包括:- 测试低/高分区数- 测试 defaultParallelism 的低/高/默认值- 使用更多执行者进行测试(即将资源分配给例如 30 个执行者而不是 10 个)但上面的设置给了我们最好的结果。
所以 - 问题 - Kafka + Spark(几乎)是线性可扩展的吗?如果它的可扩展性比我们的测试显示的更好 - 如何改进它。我们的目标是支持数百/数千个 Spark 执行器(即可扩展性对我们至关重要)。
最佳答案
我们通过以下方式解决了这个问题:
最后,我们已经能够实现由具有 10 个执行程序节点的 spark 集群每秒处理 1 100 000 个事件。所做的调整还提高了节点较少的配置的性能 -> 当从 2 个 spark 执行器节点(AWS 上的 m4.xlarge)扩展到 10 个时,我们实现了几乎线性的可扩展性。
一开始,Kafka 节点上的 CPU 并没有接近极限,但它无法响应 Spark 执行器的需求。
感谢所有建议,特别是@ArturBiesiadowski,他建议 Kafka 集群大小不正确。
关于performance - Kafka + Spark 可扩展性,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/38148625/
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!