为什么 spark 不在多个节点上重新划分我的数据框？

Question

我有 128 个内核，8 个节点，每个节点 186Gb 内存。

我有从 jdbc 源加载的数据框 (Df)。它有一个分区。然后我打电话：

c = Df.repartition(128*3).cache().count()

应用程序 web UI 显示缓存的 rdd 有 384 个分区，但所有分区都位于一个节点（我们称之为节点 1），ram 中大小为 57Mb。

当我查看计数阶段时，我看到 384 个任务，全部在节点 1 上执行。

为什么 Spark 没有在所有节点上均匀分布数据帧？

我是运行这个 pycharm。这是我设置的配置值：

spark = SparkSession \
        .builder \
        .master("spark://sparkmaster:7087") \
        .appName(__SPARK_APP_NAME__) \
        .config("spark.executor.memory", "80g") \
        .config("spark.eventlog.enabled", "True") \
        .config("spark.eventlog.dir", r"C:\Temp\Athena\UAT\Logs") \
        .config("spark.cores.max", 128) \
        .config("spark.sql.crossJoin.enabled", "True") \
        .config("spark.executor.extraLibraryPath","/net/share/grid/bin/spark/UAT/bin/vertica-jdbc-8.0.0-0.jar") \
        .config("spark.serializer", "org.apache.spark.serializer.KryoSerializer") \
        .getOrCreate()

这是我的 spark 属性

Answer 1

here we specify the details of the resources and the application details while submitting the application

./bin/spark-submit \
      --class org.apache.spark.examples.SparkPi \
      --master spark://207.184.161.138:7077 \
      --deploy-mode cluster \
      --supervise \
      --executor-memory 20G \
      --total-executor-cores 100 \
      /path/to/examples.jar \

Answer 2

好的，所以这似乎是一个优化。简单地在数据帧上调用 repartition 似乎不会导致它跨节点分布，因为 spark 决定不需要这样做。保存随机播放我猜...

为什么 spark 不在多个节点上重新划分我的数据框？

Why is spark not repartioning my dataframe over multiple nodes?

apache-spark

pyspark

pyspark-sql