运行比核心数量更多的分区是否有意义？答案

【问题标题】：Does it ever make sense to run more partitions than number of cores?运行比核心数量更多的分区是否有意义？
【发布时间】：2017-02-16 20:58:28
【问题描述】：

考虑到 Spark 任务的数量不能高于核心数量，运行更多的分区是否有意义？如果有，能否详细说明？

【问题讨论】：

【解决方案1】：

正如您提到的，您需要至少有 1 个任务/核心才能利用所有集群的资源。
根据每个阶段/任务所需的处理类型，您可能会遇到处理/数据倾斜 - 可以通过使分区更小/更多的分区以某种方式缓解这种情况，从而更好地利用集群（例如，当执行器运行更长的时间时）需要 5 分钟的任务，其他执行者可以运行 10 个 30 秒的较短任务）。
可能存在您想要增加分区数量的其他情况（例如，如果您达到大小/内存限制）。

查看这篇关于并行调优的精彩文章：http://blog.cloudera.com/blog/2015/03/how-to-tune-your-apache-spark-jobs-part-2/

更新： 这如何帮助处理/数据倾斜并为您提供更好的集群利用率和更快的作业执行（下面的 Spark UI 示例屏幕截图，您可以在其中看到任务之间的偏差 - 请参阅差异中值与最大任务持续时间）：

假设您有一个可以并行运行 2 个任务的集群。

使用 1 个任务（1 个空闲核心）处理数据需要 60 分钟 - 作业需要 60m。
如果将其拆分为 2，您可能会发现因为倾斜：Task1：45m，Task-2：15m。作业需要 45m（对于 30m，你有 1 个空闲核心）。
如果你把它分成 4 个，你可能会得到：Task1：30m，Task-2：10m，Task-3：10m，Task-4：10m。作业需要 30m（第一个核心运行 1 个任务 30m，而另一个运行其他 3 个较小的任务，每个 10m）。等

【讨论】：

只是为了确保我理解关于数据倾斜的观点：如果我有一个数据集比其他分区更大的分区，那么将其分成更小的分区会更有效，以便其他执行程序和任务可以并行处理它，而不是等待一个任务处理大分区。我没听错吗？