延迟调度算法思想十分简单,为了实现data locality(即该task所需数据就在其运行的机器上),会尽量将task分布到有其所需数据的机器或者jvm中去,如果机器或者jvm已被占用就进行延迟等待,直到该机器或者jvm可以运行该task或者超过等待时限则将task运行到其他机器上。
这个想法基于以下几点:
1.往往数据比程序要大得多,分布式上处理的数据都是GB为单位的,将程序放到数据所在机器去执行,大大减少网络传输时间。
2.在集群上面task一般都是运行时间较短的,即整个集群上面不断有task完成,释放其占用的资源,延迟调度的task能够有极大的机会获得分配。
总之,就是延迟调度节省的网络传输时间远远大于task等待花费的时间。
延迟调度的思想是相通的,本文讨论的是spark在yarn集群上的延迟调度情况,故分为两层,第一层是yarn的延迟调度,第二层则是spark内部的延迟调度。
1.yarn级别的Delay Scheduler
spark在yarn上面的Delay Scheduler其实就是觉得spark的executor分配在哪些NodeManager上面,这是由yarn根据application的输入文件而定。尽量将executor分布到有数据的NodeManager上。因为,在这一层上如果executor无法做到data locality,那么到了spark的级别分配task到executor的时候,更加无法实现data locality。
在yarn中配置yarn.