[3.0.1]性能调优之调节并行度

参考

中华石杉
DT大数据梦工厂系列

场景

什么是并行度、如何调节并行度、并行度对性能有怎样的影响以及并行度调节成多大合适？

分析

• 并行度

Snail理解的并行度是指spark集群能同时并发处理的task数量，在数值上等于集群的总core的数量，其值可以在编写应用程序的时候指定：

val conf = new SparkConf()  
conf.setAppName("my first spark app ").set("spark.default.parallelism", "1")  //指定并行度为1

• 对性能的影响

[3.0.0]详细说明了最大化资源的重要性。好的，现在假设集群资源为：
12个executors, 每个executor分配 4 cores 8G，并且已通过spark-submit将资源设置为最大了。处理相同复杂度的spark任务，考虑如下三种并行度设置方式：

spark.default.parallelism = 24
spark.default.parallelism = 12*4
spark.default.parallelism = 12*4*5

先比较第1、2种情况：集群能并行处理 48个task,而第1中情况并行度只设置成24 - 这意味着平均分给每个executor的task 为两个（24/12），意味着每个executor都浪费了2个core，意味着对处理相同复杂度的spark任务而言，每个task要处理的数据量比第二种情况要多一倍：比如总共有2400G的数据要处理，第一种情况下每个task要处理的数据量是 2400G/24 等于100G，而第二种情况是 50G 。处理的数据量越大，出现磁盘I/O、GC的可能性就增加了！

• 并行度调节成多大合适
  经验证明（snail也只是听王教主说的）：每个 core分配5个task最佳
  官方是推荐将task数量设置成spark application总cpu core数量的2~3倍，比如150个cpu core，基本要设置task数量为300~500，原因如下：
  有些task会运行的快一点，比如50s就完了，有些task可能会慢一点，要1分半才运行完。所以如果你的task数量，刚好设置的跟cpu core数量相同，还是会导致资源的浪费-因为，比如150个task，10个先运行完了，剩余140个还在运行，但是这个时候，有10个cpu core就空闲出来了，就导致了浪费。那如果task数量设置成cpu core总数的2~3倍，那么一个task运行完了以后，另一个task马上可以补上来，就尽量让cpu core不要空闲，同时也是尽量提升spark作业运行的效率和速度，提升性能。

实验

这里限于资源问题只能在本地验证一点：通过set(“spark.default.parallelism”, “1”)设置的并行度与实际并行运行的task数量一至。

1、代码 set(“spark.default.parallelism”, “1”)

package com.dt.spark

import org.apache.spark.SparkConf
import org.apache.spark.SparkContext

object WordCount {
  def main(args: Array[String]): Unit = {  
    val conf = new SparkConf()  
    conf.setAppName("my first spark app ").set("spark.default.parallelism", "1") // 本地模式不设置的话，spark会自行将并行度设置
    //成本地最大的cores
    val sc = new SparkContext(conf)    

    val lines2 = sc.textFile("file:///home/pengyucheng/resource/hellospark.txt")  

    lines2.flatMap(line => line.split(" ") ).map( word => (word,1) ).reduceByKey(_+_).
    map(wordNumberPair=>(wordNumberPair._2,wordNumberPair._1)).sortByKey(false).
    collect.foreach(wordNumberPair => println(wordNumberPair._1 +":" + wordNumberPair._2)) 

     sc.stop  
  }  
}

执行脚本

--class com.dt.spark.WordCount \
--num-executors 1 \
--driver-memory 1000m \
--executor-memory 1000m \
--executor-cores 1 \
/home/pengyucheng/resource/wordcount.jar \

结果 web UI

共一个job,分为3个stage，每个stage一个task

2、代码（略）set(“spark.default.parallelism”, “2”)

web UI

划分成2个job，每个job分为2个stage，每个stage2个任务

总结

• 并行度的设置需要与资源相匹配，才能最大化利用集群资源
• 并行度设置方式set(“spark.default.parallelism”, “parallelismNum”)

疑问：并行度设置的不同，怎么会导致同一任务划分的job数量不同呢？