如何解决纱线集群模式下的火花作业未充分发挥预期/配置的潜力
我的工作是从 s3 存储桶中读取大约 3500 个文件并对其执行转换。我正在使用带有配置的现货实例: m4.16xlarge ,1 个主控,10 个核心。我在集群模式下使用 master 作为纱线运行作业。
我正在使用以下语句读取文件,分区为 1000 以一次读取 1000 个文件,(使用 WholeTextFiles 的原因是在处理文件时检索文件名):
S S disTRIBUTOR
我使用了多种 spark 配置参数组合,但一次无法读取超过 495 个文件。
帮助我读取495个文件的spark提交作业的配置如下:
spark.sparkContext.wholeTextFiles(srpath,int(partition))
问题是:每个文件大小为 17 MB,执行器内存配置为 22g,每个执行器只有 5 个内核。每个执行程序使用的最大内存为 8 GB(17*495/1024)。 Spot 实例的总内存为 256 GB,有没有其他参数可以帮助我获得比这个更好的结果?
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。