Spark 与执行者和核心数量的关系

Question

我提出了一个关于 Spark 的非常愚蠢的问题，因为我想澄清我的困惑。我是 Spark 的新手，仍在尝试了解它在内部是如何工作的。

假设我有一个输入文件列表（假设为 1000），我想在某处处理或写入这些文件，并且我想使用合并将我的分区数减少到 100。

现在我用 12 个执行器运行这个作业，每个执行器有 5 个核心，这意味着它运行时有 60 个任务。这是否意味着，每个任务都将在一个单独的分区上独立工作？

回合：1 12 个执行器，每个执行器有 5 个核心 => 60 个任务进程 60 分区
轮次：2 8 个执行器，每个执行器有 5 个核心 => 40 个任务

处理剩下的 40 个分区和 4 个执行器从不放置 第二次工作

或者来自同一个执行器的所有任务都将在同一个分区上工作？

回合：1:12 执行者 => 处理 12 个分区
回合：2：12 执行者 => 处理 12 个分区
回合：3：12 执行者 => 处理 12 个分区
....
....
....
回合：9（96个分区 已处理）：4 个执行者 => 处理剩余的 4 个 分区

Answer 1

假设我有一个输入文件列表（假设为 1000），我想在某处处理或写入这些文件，并且我想使用合并将我的分区数减少到 100。

在spark中默认number of partitions = hdfs blocks，由于指定了coalesce(100)，Spark会将输入数据分成100个分区。

现在我用 12 个执行器运行这个作业，每个执行器有 5 个核心，这意味着它运行时有 60 个任务。这是否意味着，每个任务都将在一个单独的分区上独立工作？

如果你通过了，可能会通过。

--num-executors 12：在应用程序中启动的执行器数量。

--executor-cores 5 ：每个执行程序的核心数。 1 个核心 = 1 个任务一次

所以分区的执行会是这样的。

第一轮

12 个分区将由 12 个执行器处理，每个执行器有 5 个任务（线程）。

第二轮

12 个分区将由 12 个执行器处理，每个执行器有 5 个任务（线程）。
.
.
.

回合：9（已处理 96 个分区）：

4 个分区将由 4 个执行器处理，每个执行器有 5 个任务（线程）。

注意： 通常，一些执行器可能会很快完成分配的工作（各种参数，如data locality、网络 I/O、CPU 等）。因此，它将通过等待配置的调度时间来选择下一个要处理的分区。