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

spark读取hdfs数据时，最终会生成HadoopRDD，所以HadoopRDD的分区数量就是task数量。

以sparkContext.textFile为例，来分析下HadoopRDD的分区数。

// 有两个重载方法。一个要求指定minPartitions，另一个不做要求。
def textFile(path: String): JavaRDD[String] = sc.textFile(path)

// minPartitions是指希望返回的最小分区数。也就说返回的RDD分区数大于或者等于minPartitions。
def textFile(path: String, minPartitions: Int): JavaRDD[String] =
    sc.textFile(path, minPartitions)

一路跟进，最终会调用到org.apache.hadoop.mapred.FileInputFormat的getSplits方法，返回的split数就是rdd分区数。

以下是getSplits方法的实现逻辑，不想看的直接看结论。

// numSplits是期望的分片数量
public InputSplit[] getSplits(JobConf job, int numSplits)