Spark：以编程方式获取集群核心数

Question

我运行我在 yarn 集群中的 spark 应用。在我的代码中，我使用队列的可用核心数在我的数据集上创建分区：

Dataset ds = ...
ds.coalesce(config.getNumberOfCores());

我的问题：如何通过编程方式而不是通过配置来获取队列的可用核心数？

Answer 1

有一些方法可以从 Spark 中获取集群中的执行器数量和核心数量。这是我过去使用过的一些 Scala 实用程序代码。您应该可以轻松地使其适应 Java。有两个关键思想：

worker数量为executor数量减一即sc.getExecutorStorageStatus.length - 1.
在一个worker上执行java.lang.Runtime.getRuntime.availableProcessors可以得到每个worker的核心数

其余代码是使用 Scala 隐式向 SparkContext 添加便利方法的样板。我在 1.x 年前编写了代码，这就是它没有使用 SparkSession.

的原因

最后一点：合并多个内核通常是个好主意，因为这可以在数据倾斜的情况下提高性能。实际上，我使用 1.5 倍到 4 倍之间的任何值，具体取决于数据的大小以及作业是否运行在共享集群上。

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
    }

}

更新

最近，getExecutorStorageStatus 已被删除。我们已切换到使用 SparkEnv 的 blockManager.master.getStorageStatus.length - 1（负一再次用于驱动程序）。通过 SparkContext 的 env 到达它的正常方法在 org.apache.spark 包之外是不可访问的。因此，我们使用封装违规模式：

package org.apache.spark

object EncapsulationViolator {
  def sparkEnv(sc: SparkContext): SparkEnv = sc.env
}

Answer 2

在寻找几乎相同问题的答案时发现了这个。

我发现：

Dataset ds = ...
ds.coalesce(sc.defaultParallelism());

完全符合 OP 的要求。

比如我的5节点x 8核心集群returns 40为defaultParallelism.

Answer 3

根据Databricks如果驱动程序和执行程序是相同的节点类型，这是要走的路：

java.lang.Runtime.getRuntime.availableProcessors * (sc.statusTracker.getExecutorInfos.length -1)

Answer 4

你可以在每台机器上运行作业并询问它的核心数量，但这不一定适用于 Spark（正如@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

运行它在 shell （在一个有两个工人的小型测试集群上）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

如果您的集群中通常有很多台机器，请将零添加到您的范围。即使在我的双机集群上，10000 也能在几秒钟内完成。

这可能仅在您需要比 sc.defaultParallelism() 给您更多的信息时才有用（如@SteveC 的回答）

Spark：以编程方式获取集群核心数

Spark: get number of cluster cores programmatically

java

core

dataset

hadoop-yarn

apache-spark