Mesos 上的独立 Spark 集群访问不同 Hadoop 集群中的 HDFS 数据

Posted 2023-04-17

【中文标题】Mesos 上的独立 Spark 集群访问不同 Hadoop 集群中的 HDFS 数据

【英文标题】：Standalone Spark cluster on Mesos accessing HDFS data in a different Hadoop cluster

【发布时间】：2017-08-28 08:38:36

【问题描述】：

我们有一个 Hadoop 集群，其中包含 275 个节点的数据节点（55Tb 总内存，12000 个 VCore）。 这个集群与几个项目共享，我们有一个资源有限的 YARN 队列分配给我们。

为了提高性能，我们正在考虑为我们的项目构建一个单独的 Spark 集群（在同一网络中的 Mesos 上）并访问 Hadoop 集群上的 HDFS 数据。

如 Spark 文档中所述：https://spark.apache.org/docs/latest/spark-standalone.html#running-alongside-hadoop

我的问题是：

这不违反 Hadoop 的哲学：“将计算转移到数据”吗？

为了获得最佳性能，新 Spark 集群需要多少节点？

--编辑--

我想知道这个数据加载是如何发生的。例如，如果我对表执行 SparkSQL 查询，它是否通过从 Hadoop 集群加载数据在 Mesos Spark 集群中创建 RDD，然后对生成的 RDD 进行处理？ 这个跨集群数据IO不会影响性能吗？由于通常在 YARN-Spark 设置中，RDD 和数据位于相同的节点中。

【问题讨论】：

为什么不在 Mesos 中运行 HDFS？

Doesn't this cross cluster data IO impact the performance ? - 是的。但是您仍然在同一个网络中，如下面的答案所述

【参考方案1】：

这不是违背 Hadoop 的哲学：“将计算转移到数据”吗？

一般来说是的。特别是如果这些节点位于不同的数据中心。越近越好。现在，我读到它们在同一个网络中：

在同一网络中的 Mesos 上

测量机器之间的延迟。只有这样才能判断好不好。

为了获得最佳性能，新 Spark 集群需要多少节点？

最适合谁？这仅取决于您的用例。

例如，如果我对表执行 SparkSQL 查询，它是否通过从 Hadoop 集群加载数据在 Mesos Spark 集群中创建 RDD，然后对生成的 RDD 进行处理？

是的，虽然它不是“读取所有内容然后处理它”的固定过程 - 它不断读取、处理然后写下“部分结果”，因为您可能猜到，它无法加载 1 TB 的数据记忆。

这种跨集群数据 IO 不会影响性能吗？由于通常在 YARN-Spark 设置中，RDD 和数据位于相同的节点中。

绝对！然而，正如我已经提到的，如果你想要更精确的估计，你至少应该测量这个网络中节点之间的延迟——也许一些节点比其他节点更接近 HDFS 机器。

如果没有测量（延迟、性能测试等）和对网络拓扑的仔细分析，这纯粹是推测。

【讨论】：

修改第三题