在代码中将RDD进行了hash重分区成56个partition,RDD中包含从HDFS上读取的4亿条记录,每一行记录存为RDD中的一个元素。
所以最终RDD有4亿个元素,56个分区,对应spark程序中56个task,
查看任务时显示如下:
再结合spark的原理图:
共申请了201个executor(Driver端占1个,申请200个executor),
总tasks数为56,每个executor具有3个cores,理论上每个executor可以处理1-4个task(可以有一个排队处理);
实际处理任务的时候,从201个executor中挑选出了56个executor来处理任务,
这里每个executor只处理一个task,因为申请的资源较多,但任务量并不大,所以没有达到资源瓶颈,每个executor只用了一个core的资源,所以并行度是56;
56个并行度同时往ES的一个Index里写入数据,ES集群共8台,设有8个主分片,
也就是一台数据节点处理一个分片,每个分片处理7个task的数据写入。
如果并行度增大,每个数据节点处理的tasks数过多,会造成集群崩溃宕机,所以在项目初始会进行压测。