为什么这个简单的Spark程序没有使用多个内核？

Question

所以，我在16核多核系统上运行这个简单的程序。 我通过发出以下命令来运行它。

spark-submit --master local[*] pi.py

该程序的代码如下。

#"""pi.py"""
from pyspark import SparkContext
import random

N = 12500000

def sample(p):
    x, y = random.random(), random.random()
    return 1 if x*x + y*y < 1 else 0

sc = SparkContext("local", "Test App")
count = sc.parallelize(xrange(0, N)).map(sample).reduce(lambda a, b: a + b)
print "Pi is roughly %f" % (4.0 * count / NUM_SAMPLES)

当我使用top来查看CPU消耗时，只使用了1个核心。 为什么会这样？ Seconldy，spark文档说默认并行性包含在属性spark.default.parallelism中 。 如何从我的python程序中读取此属性？

Answer 1

因为以上都没有真正对我有用（也许是因为我真的不理解它们），这是我的两分钱。

我用spark-submit program.py开始我的工作，在文件里面我有sc = SparkContext("local", "Test") 。 我试图用sc.defaultParallelism验证spark 看到的内核数量。 事实证明它是1.当我将上下文初始化更改为sc = SparkContext("local[*]", "Test")它变为16（我的系统的核心数），我的程序使用了所有核心。

我很新的火花 ，但我的理解是，在默认情况下本地指示使用一个核心的，当它被设置里面的程序，它会覆盖其他设置（肯定在我的情况下，它会覆盖从配置文件和环境变量）。

Answer 2

可能是因为对sc.parallelize的调用将所有数据放入一个单独的分区。 您可以将分区数指定为并行化的第二个参数：

part = 16
count = sc.parallelize(xrange(N), part).map(sample).reduce(lambda a, b: a + b)

请注意，这仍然会在驱动程序中使用一个CPU生成1200万个点，然后仅将它们分散到16个分区以执行reduce步骤。

在分区之后，更好的方法是尝试完成大部分工作：例如，以下内容仅在驱动程序上生成一个小数组，然后让每个远程任务生成实际的随机数和随后的PI近似值：

part = 16
count = ( sc.parallelize([0] * part, part)
           .flatMap(lambda blah: [sample(p) for p in xrange( N/part)])
           .reduce(lambda a, b: a + b)
       )

最后，（因为我们越懒越越好），spark mllib实际上已经有了一个很好地并行化的随机数据生成，请看一下： http ：//spark.apache.org/docs/1.1.0/mllib -statistics.html＃random-data-generation 。 所以也许以下内容接近您尝试做的事情（未经测试=>可能无法正常工作，但希望能够接近）

count = ( RandomRDDs.uniformRDD(sc, N, part)
        .zip(RandomRDDs.uniformRDD(sc, N, part))
        .filter (lambda (x, y): x*x + y*y < 1)
        .count()
        )

Answer 3

要更改CPU核心消耗，请在spark-env.sh spark-installation-directory/conf中的spark-env.sh文件中设置spark-env.sh使用的核心数。这可以通过spark-env.sh文件中的SPARK_EXECUTOR_CORES属性完成。 默认情况下，该值设置为1。

Answer 4

我尝试了@Svend提到的方法，但仍然无效。

以下适用于我：

不要使用local URL，例如：

sc = SparkContext("local", "Test App") 。

像这样使用主URL：

sc = SparkContext("spark://your_spark_master_url:port", "Test App")