我在纱线集群中运行我的火花应用程序。在我的代码中,我使用数量可用的队列核心来创建我的数据集上的分区:
Dataset ds = ...
ds.coalesce(config.getNumberOfCores());
我的问题:如何通过编程方式而不是按配置获取队列的可用核心数?
答案 0 :(得分:11)
有一些方法可以从Spark中获取集群中的执行程序数和核心数。这是我过去使用过的一些Scala实用程序代码。您应该能够轻松地将其适应Java。有两个关键的想法:
工人人数是执行人数减1或sc.getExecutorStorageStatus.length - 1
。
可以通过对工作人员执行java.lang.Runtime.getRuntime.availableProcessors
来获得每个工作人员的核心数。
代码的其余部分是样板,用于使用Scala implicits向SparkContext
添加便捷方法。我在1.x年前编写了代码,这就是为什么它没有使用SparkSession
。
最后一点:合并到多个核心通常是一个好主意,因为这可以在数据偏斜的情况下提高性能。实际上,我使用1.5x到4x之间的任何位置,具体取决于数据的大小以及作业是否在共享集群上运行。
import org.apache.spark.SparkContext
import scala.language.implicitConversions
class RichSparkContext(val sc: SparkContext) {
def executorCount: Int =
sc.getExecutorStorageStatus.length - 1 // one is the driver
def coresPerExecutor: Int =
RichSparkContext.coresPerExecutor(sc)
def coreCount: Int =
executorCount * coresPerExecutor
def coreCount(coresPerExecutor: Int): Int =
executorCount * coresPerExecutor
}
object RichSparkContext {
trait Enrichment {
implicit def enrichMetadata(sc: SparkContext): RichSparkContext =
new RichSparkContext(sc)
}
object implicits extends Enrichment
private var _coresPerExecutor: Int = 0
def coresPerExecutor(sc: SparkContext): Int =
synchronized {
if (_coresPerExecutor == 0)
sc.range(0, 1).map(_ => java.lang.Runtime.getRuntime.availableProcessors).collect.head
else _coresPerExecutor
}
}
答案 1 :(得分:1)
在寻找几乎相同问题的答案时发现了这一点。
我发现:
Dataset ds = ...
ds.coalesce(sc.defaultParallelism());
完全符合OP的要求。
例如,我的5节点x 8核心群集返回defaultParallelism
的40。
答案 2 :(得分:0)
根据Databricks,如果驱动程序和执行程序的节点类型相同,则可以采用以下方法:
java.lang.Runtime.getRuntime.availableProcessors * (sc.statusTracker.getExecutorInfos.length -1)
答案 3 :(得分:0)
您可以在每台机器上运行作业,并要求其提供内核数量,但这不一定适用于Spark(如@tribbloid在对另一个答案的评论中指出的那样):
import spark.implicits._
import scala.collection.JavaConverters._
import sys.process._
val procs = (1 to 1000).toDF.map(_ => "hostname".!!.trim -> java.lang.Runtime.getRuntime.availableProcessors).collectAsList().asScala.toMap
val nCpus = procs.values.sum
在外壳中运行它(在具有两个工作程序的小型测试集群上)会给出:
scala> :paste
// Entering paste mode (ctrl-D to finish)
import spark.implicits._
import scala.collection.JavaConverters._
import sys.process._
val procs = (1 to 1000).toDF.map(_ => "hostname".!!.trim -> java.lang.Runtime.getRuntime.availableProcessors).collectAsList().asScala.toMap
val nCpus = procs.values.sum
// Exiting paste mode, now interpreting.
import spark.implicits._
import scala.collection.JavaConverters._
import sys.process._
procs: scala.collection.immutable.Map[String,Int] = Map(ip-172-31-76-201.ec2.internal -> 2, ip-172-31-74-242.ec2.internal -> 2)
nCpus: Int = 4
如果集群中通常有很多台计算机,请在您的范围内添加零。甚至在我的两机集群上,10000也会在几秒钟内完成。
这可能仅在您需要更多信息而不是sc.defaultParallelism()会给您提供信息时才有用(如@SteveC的答案一样)