前置条件
每个executor有2个CPU core,4个task。task是线程执行的,所以先并行跑2个task,再跑剩下的2个task。
问题分析:默认的shuffle行为,对性能有什么样的影响?
实际生产环境的条件:
100个节点,每个节点一个executor,那么有100个executor,每个executor2个CPU core,总共1000个task,每个executor平均10个task
那么每个节点10个task,每个节点会输出多少份map端文件?
答:10(一个executor的task数量)*1000(task并行度)=1万个文件
总共有多少份map端输出:100*1万=100万
shufflemap 的影响
shuffl中的写磁盘操作,基本是shuffle中性能消耗最严重的部分,通过上面的分析,一个普通的生产环境的job一个shuffle环节,就会写入磁盘100万个文件,磁盘io对性能和spark的执行速度的影响,是特别惊人的。基本上spark作业的性能,都消耗在shuffle上,
开启shuffle map端文件输出合并机制
开启shufflemap输出文件的合并机制,默认情况下,是不开启的,就会发生上面分析的那样,严重影响性能,
开启方式:
new SparkConf().set("spark.shuffle.concolidateFiles","true")
开启map端输出文件合并机制之后:
第一个stage同时运行CPU core 个task,比如CPU core是2个,并行运行2个task,每个task都创建下一个stage的task数量个文件(2个);
第一个stage并行运行的2个task执行完之后,就会执行另外两个task,另外两个task不会再重新创建数据文件,而是复用之前task创建的map端输出文件,将数据写入上一批task的输出文件中。
第二个stage的task在拉去数据的时候,就不会去拉去上一个stage每一个task为自己创建的那份输出文件,而是拉去少量的输出文件,每个输出文件中可能包含多个task给自己的map端输出。
说明map端输出文件合并:
只有并行执行的task会去创建新的输出文件,下一批并行执行的task,就会复用之前已经有的输出文件,特殊情况,比如2个task并行执行,但是此时又启动要执行2个task,那么这个时候就无法复用之前task创建的输出文件了,而是去创建新的输出文件。要实现输出文件合并的效果,必须是一批task先执行,然后下一批task再执行,才能复用之前的输出文件,如果多批task同时起来执行,还是做不到复用。
效果:
100个节点,每个节点一个executor:100个executor
每个executor:2个CPU core
总共1000个task:每个executor平均10个task
每个节点2个CPU core,有多少分输出文件呢?2*1000=2000个
总共100个节点,一共创建多个文件?100*2000=20万个文件
比以前的情况100万少了80万
合并map端输出文件对性能的影响
1.map task写入磁盘文件的IO减少
2.第二个stage的每个task由原来要拉去第一个stage的task数量份文件1000个,减少到200个,网络传输消耗降低。