amazon-web-services - 在 yarn 上运行多个类似的 Spark 提交作业

Question

我有多个 spark 提交作业，需要在 AWS EMR 集群上作为 Step 提交，我的 step 的数据输入对于所有 step 都是相同的，当前位于 S3 存储桶中，输出也在 s3 上，并且所有步骤都需要并行执行。

目前 AWS EMR 不支持 spark-submits 的并行执行，但是有一种方法是通过将 EMR 的 YARN 的调度器更改为 FAIR 调度器，但是这种方法的问题是我们需要手动为执行器定义 Cores/Memory是开销。

在 AWS EMR 中寻找处理这种情况的最佳方法，有什么建议吗？？？？

谢谢， - jack

Answer 1

Currently AWS EMR does not support parallel execution of spark-submit

实际上它是支持的，但有点棘手。这有两个主要问题，每个 Spark 作业使用的执行器数量和主节点上驱动程序进程的内存量。

如果您提前知道同时 spark-submits 执行的最大数量 (N)，您可以使用 --driver-memory、--num-executors、--executor-cores 和 --executor-memory 参数来玩确保每个作业只占用 1/N 的可用资源(如果可以等到早先提交的作业完成，则可以更多)。如果这种并行执行在实践中很少发生，这是非常低效的。

更好的方法是使用动态分配: https://spark.apache.org/docs/latest/configuration.html#dynamic-allocation

可以使用的参数很少，但它允许单个作业在没有其他作业运行时利用几乎所有可用资源(如果 maxExecutors 是 spark.dynamicAllocation.maxExecutors 是给定集合的最大可用执行器数参数)，如果有多个作业正在运行，则退回以在作业之间平均共享执行器。这种重新平衡不会立即发生，因为正在运行的任务没有被中断。此外，要使其正常工作，所有 spark-submit 调用都必须使用动态分配。如果其中一个 spark-submit 调用不使用动态分配，它仍然能够获取所有资源并饿死其余的 Spark 作业。

这里是一个动态分配参数的例子:

spark-submit \
    --deploy-mode client \
    --master yarn \
    --conf spark.dynamicAllocation.enabled=true \
    --conf spark.shuffle.service.enabled=true \
    --conf spark.dynamicAllocation.executorIdleTimeout=60s \
    --conf spark.dynamicAllocation.cachedExecutorIdleTimeout=60s \
    --conf spark.dynamicAllocation.minExecutors=1 \
    --conf spark.dynamicAllocation.maxExecutors=4 \
    --conf spark.dynamicAllocation.initialExecutors=1 \
    <other Spark options>

对于有 8 个节点的集群:

• 1 个工作 - 4 个执行者
• 2 个作业 - 每个作业 4 个执行者
• 3 个工作 - 每个工作 2-3 个执行者
• 4 个作业 - 每个作业执行 2 个
• 5-8 个作业 - 每个作业 1-2 个执行者
• 超过 8 个作业 - 一些作业将等待，其余作业将分别获得 1 个执行者。

FAIR 调度也有效，它允许比动态分配更好地利用集群资源(因为它不会等到 executorIdleTimeout 或 cachedExecutorIdleTimeout 过期)，但它仅适用于由同一 Spark 应用程序中的不同线程启动的多个并行作业(在同一个 SparkContext 中):https://spark.apache.org/docs/latest/job-scheduling.html .

可能需要对应用架构进行一些更改才能启用此功能。例如。该应用程序可以从队列中读取处理请求或公开 Web 服务以接收它们。