如何在spark结构化流媒体应用程序中优化执行程序实例的数量？

Question

Runtime

YARN群集模式

Application

• Spark结构化流媒体
• 从Kafka主题中读取数据

About Kafka topic

• 1个主题，包含4个分区 - 现在。 （分区数可以更改）
• 每1秒在主题中添加最多2000条记录。

我发现Kafka主题分区的数量与spark执行器的数量（1：1）相匹配。 所以，就我而言，直到现在我所知道的，4个火花执行者是我认为的解决方案。 但我担心数据吞吐量 - 可以确保2000 rec / sec？ 是否有关于在spark结构流中设置正确配置的指导或建议？ 尤其是spark.executor.cores，spark.executor.instances或者关于遗嘱执行人的事情。

Answer 1

将spark.executor.cores设置为5或更低通常被认为是HDFS I / O吞吐量最佳的。你可以在这里阅读更多相关信息（或谷歌其他文章）：https://blog.cloudera.com/blog/2015/03/how-to-tune-your-apache-spark-jobs-part-2/

每个Kafka分区都匹配一个火花核心，而不是执行者（一个火花核心可以有多个Kafka分区，但每个Kafka分区只有一个核心）。

确定所需的确切数字取决于许多其他内容，例如您的应用程序流（例如，如果您没有进行任何随机播放，则总核心数应该是您的Kafka分区），内存容量和要求等。

您可以使用配置并使用spark指标来确定您的应用程序是否正在处理吞吐量。