spark学习之并行度并发core数和分区的关系

Posted 2022-11-30 柳小葱

👊上次的百度面试遇到了关于spark的并发数的问题，今天我们就来将这些问题都一并解决一下，图画的的有点丑，还行大家见谅，百度实习的问题我放在了下面的链接👇：

• 链接: 2022百度大数据开发工程师实习面试经历.

🍀我将先对并行和并发的基本定义开始讲起，然后介绍spark中是如何控制并行和并发的，以及这些和cpu核数、分区数有何关系。

目录

• 1. 并行和并发
• 2. Executor和core
• 3. Spark的task
• 4. Spark如何提高并行度？
• 5. 总结
• 6. 参考资料

1. 并行和并发

• 并行：指多个处理器或者是多核的处理器同时处理多个不同的任务（并行是物理上的同时发生）

• 并发：指一个处理器同时处理多个任务，指在同一时刻只能有一条指令执行，但多个进程指令被快速的轮换执行，使得在宏观上具有多个进程同时执行的效果，但在微观上并不是同时执行的，只是把时间分成若干段，使多个进程快速交替的执行（并发是逻辑上的同时发生）

2. Executor和core

Spark Executor 是集群中运行在工作节点（Worker）中的一个JVM进程，是整个集群中的专门用于计算的的节点。在提交应用中，可以提供制定计算节点的个数，以及对应的资源。这里的资源一般是指工作节点Executor的内存大小和使用的虚拟CPU核（core）数量。

配置Executor的相关启动参数：

配置	说明
– nums-executors	配置Executor的数量
– nums-memory	配置每个Executor的内存大小
– nums-cores	配置每个Executor的虚拟CPU core

演示一下Executor的并行与并发：

1. 蓝色的圆圈是真实的core
2. 绿色的圆圈是虚拟的core

• 在下图中，Executor的真实核数为3，虚拟核数为3，每一个虚拟核抢占了一个真实的核，所以实现的是并行计算
  
• 在下图中，Executor的真实核数为1，虚拟核数为3，3哥虚拟核去抢占1个真实的核的资源，所以实现的是并发计算

并行度（paralleism）：在分布式计算框架中，一般都是多个任务同时执行，由于任务分布在不同的计算节点进行计算，所以能够真正实现多个任务并行执行，记住，这里是并行，而不是并发，这里我们将整个集群并行执行任务的数量，成为并行度。

spark中的并行度和分区之间是有关系的，rdd的每一个分区都是一个task，然后传送到对应的executor中进行计算。如果资源充足（executor core数=task数）并行度就等于分区数，如果（executor core数<task数）就是并发执行。

3. Spark的task

众所周知，rdd是spark中最基本数据处理模型，里面包含了分区的概念。

在下图的例子中，我们发现rdd读取的数据，需要转化为task才能传输给executor节点进行计算，那么task是如何进行划分的呢，划分的规则就是我们所谓的分区，不同的分区被划为不同的task。

RDD的分区是可变的，你可以根据资源的需要去改变分区，使资源利用率最大化。rdd默认的分区是可以进行配置的，如果不配置采用的就是totalcores，即当前环境的最大可用核数。

4. Spark如何提高并行度？

• 设置合理的task数量，至少设置成与spark Application （executor）的总cpu core 数量相同。比如：150个分区，150个task，150个core，差不多每个task同时运行完毕。（官方推荐，task数量，设置成spark Application 总cpu core数量的2~3倍 ，比如150个cpu core ，基本设置 task数量为 300~ 500）
• 重新设置RDD的分区数，常见的方法有repartitions 、 coalesce、join、以及一些会产生宽依赖的算子。

5. 总结

spark根据分区数来决定task的个数，而task的个数和executor所拥有的core数来决定着spark的并行度，当task数多余core数时，就会产生并发操作。

6. 参考资料

• 链接: spark性能调优.
• 《尚硅谷spark3.0教程》
• 《spark权威指南》
• 以及私信帮助我解答问题的大佬们