首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

当从cassandra源读取数据时,spark中的重新分区会改变spark分区的数量吗?

当从Cassandra源读取数据时,Spark中的重新分区不会改变Spark分区的数量。

Spark的分区是在数据加载到Spark中时确定的,而重新分区只会改变数据的分布,而不会改变分区的数量。重新分区是指根据某种规则将数据重新分布到不同的分区中,以便更好地利用集群资源和提高计算性能。但是,重新分区不会增加或减少分区的数量。

在Spark中,分区是用来并行处理数据的基本单位。每个分区都包含一部分数据,Spark的任务会在每个分区上并行执行。分区的数量决定了并行处理的程度。如果需要改变分区的数量,可以使用repartition或coalesce等操作来重新分区数据。

总结起来,从Cassandra源读取数据时,Spark中的重新分区只会改变数据的分布,而不会改变Spark分区的数量。

相关搜索:从Spark读取sql表数据时的分区问题Spark中几个任务中的重新分区数据瓶颈为什么Spark的重新分区没有将数据平衡到分区中?当我使用带有spark/scala的窗口时,我不能改变分区吗?从存储桶读取时的spark分区数- S3 - GCS如何在Spark scala中对倾斜列上的数据帧进行重新分区?Spark是否将数据从Kafka分区读取到executor中,用于排队的批处理?如何从cassandra中获取spark load数据时的标记值?在Spark中,sc.newAPIHadoopRDD使用5个分区读取2.7 GB的数据当新的分区比旧的分区有更多的列时,如何从Avro中读取所有列?为什么我们不在Spark- cassandra -Connector中定义一个用于从cassandra DB读取数据的ReaderBuilderSpark:当groupBy被调用时,重新分区到一个节点的数据帧是否会经历一次洗牌?从数据库读取时在Dask dataframe中设置分区大小的问题当Spark从S3读取大文件时,数据是否可以分布到不同的节点在从数据库(Oracle)读取数据(spark.read.jdbc)时,有没有一种方法可以指定分区的数量,而不指定上限和下限?即使地块文件包含数据,外部未分区的配置单元表也会显示0条记录,使用spark.read.parquet读取时会显示正确的数据当切片器的值改变时,我可以让PowerBI报告从数据源重新拉取数据吗?( SSRS参数的工作方式)当基于列的条件也必须满足时,如何从Spark数据帧中随机选择行当混洗分区大于200(默认情况下,数据帧中的spark.sql.shuffle.partitions为200)时会发生什么?如何在Spark和Cassandra中将数据从较小的表映射到较大的表?(第一个表的主键为第二个表的分区键)
相关搜索:
页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

  • 大数据技术之_19_Spark学习_07_Spark 性能调优 + 数据倾斜调优 + 运行资源调优 + 程序开发调优 + Shuffle 调优 + GC 调优 + Spark 企业应用案例

    每一台 host 上面可以并行 N 个 worker,每一个 worker 下面可以并行 M 个 executor,task 们会被分配到 executor 上面去执行。stage 指的是一组并行运行的 task,stage 内部是不能出现 shuffle 的,因为 shuffle 就像篱笆一样阻止了并行 task 的运行,遇到 shuffle 就意味着到了 stage 的边界。   CPU 的 core 数量,每个 executor 可以占用一个或多个 core,可以通过观察 CPU 的使用率变化来了解计算资源的使用情况,例如,很常见的一种浪费是一个 executor 占用了多个 core,但是总的 CPU 使用率却不高(因为一个 executor 并不总能充分利用多核的能力),这个时候可以考虑让一个 executor 占用更少的 core,同时 worker 下面增加更多的 executor,或者一台 host 上面增加更多的 worker 来增加并行执行的 executor 的数量,从而增加 CPU 利用率。但是增加 executor 的时候需要考虑好内存消耗,因为一台机器的内存分配给越多的 executor,每个 executor 的内存就越小,以致出现过多的数据 spill over 甚至 out of memory 的情况。   partition 和 parallelism,partition 指的就是数据分片的数量,每一次 task 只能处理一个 partition 的数据,这个值太小了会导致每片数据量太大,导致内存压力,或者诸多 executor 的计算能力无法利用充分;但是如果太大了则会导致分片太多,执行效率降低。在执行 action 类型操作的时候(比如各种 reduce 操作),partition 的数量会选择 parent RDD 中最大的那一个。而 parallelism 则指的是在 RDD 进行 reduce 类操作的时候,默认返回数据的 paritition 数量(而在进行 map 类操作的时候,partition 数量通常取自 parent RDD 中较大的一个,而且也不会涉及 shuffle,因此这个 parallelism 的参数没有影响)。所以说,这两个概念密切相关,都是涉及到数据分片的,作用方式其实是统一的。通过 spark.default.parallelism 可以设置默认的分片数量,而很多 RDD 的操作都可以指定一个 partition 参数来显式控制具体的分片数量。   看这样几个例子:   (1)实践中跑的 Spark job,有的特别慢,查看 CPU 利用率很低,可以尝试减少每个 executor 占用 CPU core 的数量,增加并行的 executor 数量,同时配合增加分片,整体上增加了 CPU 的利用率,加快数据处理速度。   (2)发现某 job 很容易发生内存溢出,我们就增大分片数量,从而减少了每片数据的规模,同时还减少并行的 executor 数量,这样相同的内存资源分配给数量更少的 executor,相当于增加了每个 task 的内存分配,这样运行速度可能慢了些,但是总比 OOM 强。   (3)数据量特别少,有大量的小文件生成,就减少文件分片,没必要创建那么多 task,这种情况,如果只是最原始的 input 比较小,一般都能被注意到;但是,如果是在运算过程中,比如应用某个 reduceBy 或者某个 filter 以后,数据大量减少,这种低效情况就很少被留意到。   最后再补充一点,随着参数和配置的变化,性能的瓶颈是变化的,在分析问题的时候不要忘记。例如在每台机器上部署的 executor 数量增加的时候,性能一开始是增加的,同时也观察到 CPU 的平均使用率在增加;但是随着单台机器上的 executor 越来越多,性能下降了,因为随着 executor 的数量增加,被分配到每个 executor 的内存数量减小,在内存里直接操作的越来越少,spill over 到磁盘上的数据越来越多,自然性能就变差了。   下面给这样一个直观的例子,当前总的 cpu 利用率并不高:

    02
    领券