问题描述：       
  
  
Spark on Yarn是利用yarn进行资源调度，这两天我写的一个程序处理大概100W行文本，文本格式是txt，数据大小为50M左右。我将Scala写的代码打包扔到集群上执行，这么点数据量都需要执行3个小时，都说Spark是大数据处理的利器，但是哪里出问题了呢？带着这个问题，我查看了4个Slave节点(24核,60G内存)的CPU利用率如下图：
  
   
    
     
     
      
     
    
   
     cpu利用率 
    
  
  
  
很明显，Job没有充分利用CPU。
  
  
解决方案：
  
  
首先我探索了spark-submit里的各个参数，主要关注了：number-executors和executor-cores，改了各种配置,他们都对提高CPU的利用率不起作用。
  
   
    
     
     
      
     
    
   
     spark-submit参数 
    
  
  
  
由于我的代码核心就是对一个RDD做map操作如下,其中调用了BLAS库做矩阵运算：
  
   
    
     
     
      
     
    
   
     核心代码 
    
  
  
  
我考虑了是不是需要将hadoop里的map/reduce vcore设置大一些，即mapreduce.map.cpu.vcores 和 mapreduce.reduce.cpu.vcores设置大些，可是依然不起作用。
  
  
最后，发现问题的关键了，我输入数据源为一个txt文件，数据并没有分片，所以导致单机单核可以执行，并没有利用到Hadoop/Spark的并行处理的优势。下面我就将数据源分片：
  
  
split -l 20000 xxx.txt -d -a 4 xxx.txt._
  
  
其实也可以这样来使得数据分片，这样的效果没有验证。
  
  
 
 
   
  
val distFile = sc.textFile("data.txt",num_of_partition)
 
  
 
  
  
这个命令将数据源(100W行)分成了 50份，这样的话集群就对此文件并行执行了。下面是执行结果：
  
   
    
     
     
      
     
    
   
     spark-submit 
    
  
  
   
    
     
     
      
     
    
   
     yarn占用资源 
    
  
  
   
    
     
     
      
     
    
  
 
 

作者：_雷雷_
链接：https://www.jianshu.com/p/52a3ceedadc5
來源：简书
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。