spark学习-Master资源调度分配算法
2018-03-07 12:02
489 查看
Master资源调度分配算法:
1.Application的调度算法有两种,一种是spreadOutApps,另一种是非spreadOutApps。
2.spreadOutApps,会将每个Application要启动的executor都平均分配到各个worker上去。(比如有10个worker,20个cpu core要分配,那么实际会循环两遍worker,每个worker分配一个core,最后每个worker分配了2个core,这里的executor数量可能会与spark-submit设置的不一致)
3.非spreadOutApps,将每个Application尽可能分配到尽量少的worker上去。(比如总共有10个worker,每个有10个core,app总共要分配20个core,其实只会分配到两个worker上,每个worker占满10个core,其余app只能分配到下一个worker,这里的executor数量可能会与spark-submit设置的不一致)
1.Application的调度算法有两种,一种是spreadOutApps,另一种是非spreadOutApps。
2.spreadOutApps,会将每个Application要启动的executor都平均分配到各个worker上去。(比如有10个worker,20个cpu core要分配,那么实际会循环两遍worker,每个worker分配一个core,最后每个worker分配了2个core,这里的executor数量可能会与spark-submit设置的不一致)
3.非spreadOutApps,将每个Application尽可能分配到尽量少的worker上去。(比如总共有10个worker,每个有10个core,app总共要分配20个core,其实只会分配到两个worker上,每个worker占满10个core,其余app只能分配到下一个worker,这里的executor数量可能会与spark-submit设置的不一致)
相关文章推荐
- Spark源码分析之Master资源调度算法原理
- spark调度系列----1. spark stanalone模式下Master对worker上各个executor资源的分配
- Spark资源调度机制源码分析--基于spreadOutApps及非spreadOutApps两种资源调度算法
- spark源码分析之master资源调度schedule篇
- 大数据IMF传奇行动绝密课程第31课:Spark资源调度分配内幕天机彻底解密
- Spark资源调度分配内幕解密:Driver在Cluster模式下的启动、两种不同的资源调度方式源码彻底解析、资源调度内幕总结
- Spark 源码阅读(6)——Master接收到ClientActor后,进行worker的资源分配
- 大数据:Spark Standalone 集群调度(二)如何创建、分配Executors的资源
- 第31讲Spark schedule资源调度分配内幕天机彻底解密
- SPARK的MAster资源调度原理(源码)分析
- spark源码学习(二)---Master源码分析(3)-master对driver、executor的调度
- Spark资源调度分配解密
- Master原理剖析与源码分析:资源调度机制源码分析(schedule(),两种资源调度算法)
- 第31课: Spark资源调度分配内幕天机彻底解密:Driver在Cluster模式下的启动、两种不同的资源调度方式源码彻底解析、资源调度内幕总结
- Spark系列(七)Master中的资源调度
- Os学习笔记之资源的分配与调度
- Spark Master 如何分配集群资源?
- Spark资源调度分配原理
- spark学习-59-Spark的动态资源分配ExecutorAllocationManager
- [Spark内核] 第31课:Spark资源调度分配内幕天机彻底解密:Driver在Cluster模式下的启动、两种不同的资源调度方式源码彻底解析、资源调度内幕总结