解决方法:
SparkConf conf = new SparkConf ().set("spark.shuffle.consolidateFiles", "true");
开启shuffle map端输出文件合并机制。默认情况下,不开启。不开启的话,会发生如下图及描述的严重情况:map端输出大量文件,严重影响性能。
未开启map端输出文件合并机制的shuffle作业:
下图的前置条件:每个executor有2个cpu core,有4个task。(task是线程执行的,所以是先并行跑2个task,再跑剩下2个task)。
- stage0的每一个task都会给stage1的每个task创建一份map端的输出文件。
- stage1的每一个task会到各个节点上,去拉取stage0的每个task输出的属于自己那份文件。
未开启map端输出文件合并机制,每一个task都会创建出和下一个stage的task相同数量的文件。
而shuffle中写磁盘操作是shuffle中最消耗性能的部分。所以每一个task都创建文件的话,在大规模集群下,创建的文件会多到恐怖。
比如:实际生产环境中,集群有100个节点