如何设置 Spark 执行器的数量？答案

【问题标题】：How to set amount of Spark executors?如何设置 Spark 执行器的数量？
【发布时间】：2014-11-27 21:08:23
【问题描述】：

如何从 Java（或 Scala）代码中配置具有 SparkConfig 和 SparkContext 的执行程序数量？我经常看到 2 个执行者。看起来spark.default.parallelism 不起作用并且是关于不同的东西。

我只需要将执行器的数量设置为等于集群大小，但始终只有 2 个。我知道我的集群大小。如果这很重要，我会在 YARN 上运行。

【问题讨论】：

标签： java scala cluster-computing apache-spark hadoop-yarn

【解决方案1】：

好的，知道了。 executors 的数量实际上并不是 Spark 属性本身，而是用于在 YARN 上放置作业的驱动程序。因此，当我使用 SparkSubmit 类作为驱动程序时，它具有适当的 --num-executors 参数，这正是我所需要的。

更新：

对于某些工作，我不再遵循SparkSubmit 方法。我不能主要针对 Spark 作业只是应用程序组件之一（甚至是可选的）的应用程序。对于这些情况，我使用附加到集群配置的spark-defaults.conf 和其中的spark.executor.instances 属性。这种方法更加通用，允许我根据集群（开发人员工作站、登台、生产）适当地平衡资源。

【讨论】：

属性spark.default.parallelism 用于join、reduceByKey、groupBy等reduce操作。

【解决方案2】：

您也可以通过在 SparkConf 对象上设置参数“spark.executor.instances”和“spark.executor.cores”以编程方式完成。

例子：

SparkConf conf = new SparkConf()
      // 4 executor per instance of each worker 
      .set("spark.executor.instances", "4")
      // 5 cores on each executor
      .set("spark.executor.cores", "5");

第二个参数仅适用于 YARN 和独立模式。它允许应用程序在同一个 worker 上运行多个 executor，前提是该 worker 上有足够的核心。

【讨论】：

【解决方案3】：

在 Spark 2.0+ 版本中

使用 spark session 变量动态设置执行器的数量（从程序中）

spark.conf.set("spark.executor.instances", 4)
spark.conf.set("spark.executor.cores", 4)

在上述情况下，在任何给定时间最多将执行 16 个任务。

其他选项是执行器的动态分配，如下所示 -

spark.conf.set("spark.dynamicAllocation.enabled", "true")
spark.conf.set("spark.executor.cores", 4)
spark.conf.set("spark.dynamicAllocation.minExecutors","1")
spark.conf.set("spark.dynamicAllocation.maxExecutors","5")

这是您可以让 spark 根据运行作业的处理和内存要求来决定分配执行器的数量。

我觉得第二个选项比第一个选项效果更好，并且被广泛使用。

希望这会有所帮助。

【讨论】：

【解决方案4】：

在我的实验室中，我们在使用 hdfs 上的数据运行 Spark on Yarn 时遇到了类似的问题，但无论我尝试了上述哪种解决方案，我都无法将 Spark 执行器的数量增加到两个以上。

结果数据集太小（小于 128 MB 的 hdfs 块大小），并且由于 hadoop 的默认数据复制启发式算法，仅存在于两个数据节点（我的集群中的 1 个主节点，7 个数据节点）上。

一旦我和我的实验室伙伴有更多的文件（和更大的文件）并且数据分布在所有节点上，我们可以设置 Spark 执行器的数量，最后看到 --num-executors 和完成时间之间的反比关系.

希望这可以帮助处于类似情况的其他人。

【讨论】：