Spark中Task数量的分析

本文主要说一下Spark中Task相关概念、RDD计算时Task的数量、Spark Streaming计算时Task的数量。

Task作为Spark作业执行的最小单位，Task的数量及运行快慢间接决定了作业运行的快慢。

开始

先说明一下Spark作业的几个核心概念：

Job(作业)：Spark根据行动操作触发提交作业，以行动操作将我们的代码切分为多个Job。

Stage(调度阶段)：每个Job中，又会根据宽依赖将Job划分为多个Stage(包括ShuffleMapStage和ResultStage)。

Task(任务)：真正执行计算的部分。Stage相当于TaskSet，每个Stage内部包含了多个Task，将各个Task下发到各个Executor执行计算。

每个Task的处理逻辑完全一样，不同的是对应处理的数据。即：移动计算而不是移动数据。

Partition(分区)：这个是针对RDD而言的，RDD内部维护了分区列表，表示数据在集群中存放的不同位置。

Job、Stage、Task的对应关系如下：

Task是真正干活的，所以说是它间接决定了Spark程序的快慢也不过分。

再看看Spark任务提交时的几个相关配置：

num-executors：配置执行任务的Executor的数量。

executor-cores：每个Executor的核的数量。此核非彼核，它不是机器的CPU核，可以理解为Executor的一个线程。

每个核同时只可以执行一个Task。

也就是说一个Spark应用同时执行的任务数 = 用于执行任务的Executor数 * 每个Executor的核数。

spark.executor.memory：每个Executor的内存大小。

spark.default.parallelism：RDD的默认分区数。

在我们没有指定这个参数的前提下，如果是shuffle操作，这个值默认是父RDD中分区数较大的那个值；如果是普通操作，这个值的默认大小取决于集群管理器(YARN, Local这些)。

以YARN为例，如果我们没有指定，它的大小就是所有用于执行任务的Executor核的总数。

spark.sql.shuffle.partitions：这个配置是针对于Spark SQL在shuffle时的默认分区数。默认值是200。只对Spark SQL起作用。

RDD计算时Task的数量

在基于RDD计算时，Task的数量 = RDD的分区数。

所以调整RDD分区的数量就可以变相的调整Task的数量。

所以当RDD计算跑的很慢时，可以通过适当的调整RDD分区数来实现提速。

看看Spark.parallelize生成RDD时的源码实现：

def parallelize[T: ClassTag](
    seq: Seq[T],
    numSlices: Int = defaultParallelism): RDD[T] = withScope {
    assertNotStopped()
        new ParallelCollectionRDD[T](this, seq, numSlices, Map[Int, Seq[String]]())
}

// 这里的taskScheduler.defaultParallelism就是
// 取的配值中spark.default.parallelism的值。
def defaultParallelism: Int = {
    assertNotStopped()
        taskScheduler.defaultParallelism
}

可以发现通过Spark.parallelize创建的RDD分区，如果我们不指定分区数，那么分区数就是由配置的spark.default.parallelism来决定。

Spark读Hive、HDFS时的Task数量

这块之后补上来。。。

Spark Streaming流处理时的Task数量

Spark Streaming作为Spark中用于流处理的一员，它的原理就是运行一个接收器接收数据，然后将接收的数据按块进行存储，之后划分Job，执行Task处理数据。

ok，Spark Streaming最后也会转换成Task进行数据的处理，也就是Task运行速度也会影响它处理数据的速度。

Spark Streaming中Task的数量是由用来存储接收到数据的Block数来决定的。

那么只要控制Block的数量就可以控制Task的数量。

如下代码所示，Block是由一个定时器定时生成的。

// 块生成间隔时间
private val blockIntervalMs = conf.getTimeAsMs("spark.streaming.blockInterval", "200ms")
// 一个定时器，按块生成间隔时间定时根据接收到的数据生成块。
private val blockIntervalTimer = new RecurringTimer(clock, blockIntervalMs, updateCurrentBuffer, "BlockGenerator")

所以Block的数量 = 批处理间隔时间 / 块生成间隔时间。

块生成间隔时间是由配置spark.streaming.blockInterval决定的，默认是200ms，最小是50ms。

所以当Spark Streaming的Task数量成为性能的瓶颈时，可以通过调整参数来调整Task的数量。

总结

1、Task是Spark的最小执行单位，Executor每个核同时只能执行一个Task。

2、RDD计算时，Task数量与分区数对应；Spark Streaming中，Task数量由Block数决定。

3、根据分配的资源以及作业的运行情况，适当调整Task数量。

4、移动计算而不是移动数据。

end. 个人理解，如果偏差欢迎指正。

---

个人公众号：码农峰，定时推送行业资讯，持续发布原创技术文章，欢迎大家关注。