用实例说明Spark stage划分原理
注意:此文的stage划分有错,stage的划分是以shuffle操作作为边界的,可以参考《spark大数据处理技术》第四章page rank例子!
参考:http://litaotao.github.io/deep-into-spark-exection-model
我们用一个例子来说明,结合例子和运行截图来理解。
1.1 例子,美国 1880 - 2014 年新生婴儿数据统计
目标
:用美国 1880 - 2014 年新生婴儿的数据来做做简单的统计数据源
: https://catalog.data.gov数据格式
:- 每年的新生婴儿数据在一个文件里面
- 每个文件的每一条数据格式:
姓名,性别,新生人数
代码和结果展示
### packages import pandas as pd ### spark UDF (User Defined Functions) def map_extract(element): file_path, content = element year = file_path[-8:-4] return [(year, i) for i in content.split("\r\n") if i] ### spark logic res = sc.wholeTextFiles('hdfs://10.21.208.21:8020/user/mercury/names', minPartitions=40) \ .map(map_extract) \ .flatMap(lambda x: x) \ .map(lambda x: (x[0], int(x[1].split(',')[2]))) \ .reduceByKey(operator.add) \ .collect() ### result displaying data = pd.DataFrame.from_records(res, columns=['year', 'birth'])\ .sort(columns=['year'], ascending=True) ax = data.plot(x=['year'], y=['birth'], figsize=(20, 6), title='US Baby Birth Data from 1897 to 2014', linewidth=3) ax.set_axis_bgcolor('white') ax.grid(color='gray', alpha=0.2, axis='y')
1.2 运行流程概览
上面的 22 行代码,就已经把构建一个 spark app 的三大步骤完成了,amazing, right? 今天我们主要讲 spark 的运行逻辑,所以我们就以核心的 11 - 16 ,这六行代码来作为今天的主线,了解了解 spark 的原理。
可以看到,整个逻辑实际上就用了 sparkContext 的一个函数,rdd 的 3 个 transformation 和 1 个 action。
现在让我们从 WEB UI 上来看看,当我们运行这段代码的时候,后台都发生了什么。 可以看到,执行这段代码的时候,spark 通过分析,优化代码,知道这段代码需要一个 job 来完成,所以 web ui 上只有一个 job。值得深究的是,这个 job 由两个 stage 完成,这两个 state 一共有 66 个 task。
所以,这里我们就再次理解下 spark 里,job,stage,task 的概念:
- job : A job is triggered by an action, like count() or saveAsTextFile(). Click on a job to see information about the stages of tasks inside it. 理解了吗,所谓一个 job,就是由一个 rdd 的 action 触发的动作,可以简单的理解为,当你需要执行一个 rdd 的 action 的时候,会生成一个 job。
- stage : stage 是一个 job 的组成单位,就是说,一个 job 会被切分成 1 个或 1 个以上的 stage,然后各个 stage 会按照执行顺序依次执行。
- task : A unit of work within a stage, corresponding to one RDD partition。即 stage 下的一个任务执行单元,一般来说,一个 rdd 有多少个 partition,就会有多少个 task,因为每一个 task 只是处理一个 partition 上的数据。从 web ui 截图上我们可以看到,这个 job 一共有 2 个 stage,66 个 task,平均下来每个 stage 有 33 个 task,相当于每个 stage 的数据都有 33 个 partition [注意:这里是平均下来的哦,并不都是每个 stage 有 33 个 task,有时候也会有一个 stage 多,另外一个 stage 少的情况,就看你有没有在不同的 stage 进行 repartition 类似的操作了。]
1.3 运行流程之 : job
根据上面的截图和再次重温,我们知道这个 spark 应用里只有一个 job,那就是因为我们执行了一个 collect
操作,即把处理后的数据全部返回到我们的 driver 上,进行后续的画图,返回的数据如下图:
1.4 运行流程之 : stage
我们这个 spark 应用,生成了一个 job,这个 job 由 2 个 stage 组成,并且每个 stage 都有 33 个task,说明每个 stage 的数据都在 33 个 partition 上,这下我们就来看看,这两个 stage 的情况。
首先,我们先看看为什么这里会有两个 stage,根据 『 Spark 』2. spark 基本概念解析 中对 stage 的描述,目前有两个划分 stage 的标准:
- 当触发 rdd 的 action 时 : 在我们的应用中就是最后的
collect
操作,关于这个操作的说明,可以看官方文档:rdd.collect - 当触发 rdd 的 shuffle 操作时 : 在我们的应用中就是
reduceByKey
这个操作,官方文档: rdd.reduceByKey
再次回顾上面那张图:
这下应该就明了了,关于两个 stage 的情况:
-
第一个 stage,即截图中 stage id 为 0 的 stage,其执行了
sc.wholeTextFiles().map().flatMap().map().reduceByKey()
这几个步骤,因为这是一个Shuffle
操作,所以后面会有Shuffle Read
和Shuffle Write
。具体来说,就是在 stage 0 这个 stage 中,发生了一个 Shuffle 操作,这个操作读入 22.5 MB 的数据,生成 41.7 KB 的数据,并把生成的数据写在了硬盘上。 -
第二个 stage,即截图中 stage id 为 1 到 stage,其执行了
collect()
这个操作,因为这是一个action
操作,并且它上一步是一个 Shuffle 操作,且没有后续操作,所以这里collect()
这个操作被独立成一个 stage 了。这里它把上一个 Shuffle 写下的数据读取进来,然后一起返回到 driver 端,所以这里可以看到他的Shuffle Read
这里刚好读取了上一个 stage 写下的数据。