来自RStudio的Sparklyr包页面的优秀资源:

SPARK DEFINITIONS: It may be useful to provide some simple definitions for the Spark nomenclature: Node: A server Worker Node: A server that is part of the cluster and are available to run Spark jobs Master Node: The server that coordinates the Worker nodes. Executor: A sort of virtual machine inside a node. One Node can have multiple Executors. Driver Node: The Node that initiates the Spark session. Typically, this will be the server where sparklyr is located. Driver (Executor): The Driver Node will also show up in the Executor list.

I haven't played with these settings myself so this is just speculation but if we think about this issue as normal cores and threads in a distributed system then in your cluster you can use up to 12 cores (4 * 3 machines) and 24 threads (8 * 3 machines). In your first two examples you are giving your job a fair number of cores (potential computation space) but the number of threads (jobs) to run on those cores is so limited that you aren't able to use much of the processing power allocated and thus the job is slower even though there is more computation resources allocated.

您提到您关心的是shuffle步骤—虽然在shuffle步骤中限制开销很好，但通常更重要的是利用集群的并行化。考虑一个极端的情况——一个没有shuffle的单线程程序。

我认为其中一个主要原因是地方性。您的输入文件大小为165G，文件的相关块当然分布在多个datanode上，更多的执行器可以避免网络复制。

尝试设置executor num等于blocks count，我认为可以更快。

我认为前两个配置有一个小问题。线程和核心的概念如下。线程的概念是，如果内核是理想的，那么使用该内核来处理数据。所以在前两种情况下，内存没有被充分利用。如果您想对这个示例进行基准测试，请选择每台机器上有超过10个核的机器。然后做标杆。

但是不要给每个执行器超过5个内核，这会在i/o性能上遇到瓶颈。

所以做这个基准测试的最好机器可能是有10个核的数据节点。

数据节点机规格: CPU: i7-4790(核数:10，线程数:20) 内存:32GB (8GB x 4) 硬盘:8TB (2TB × 4)

根据Sandy Ryza的说法，当你在HDFS上运行spark应用程序时

我注意到HDFS客户端有大量并发的问题 线程。粗略估计，每个执行者最多可以执行5个任务 实现全写吞吐量，所以最好保持数量 每个执行程序的内核数低于这个数字。

所以我相信你的第一个配置比第三个配置慢是因为HDFS的I/O吞吐量不好

简而言之:我认为特巴乔是对的。您在执行器上达到了HDFS的吞吐量限制。

我认为答案可能比这里的一些建议要简单一些。

对我来说，线索在集群网络图中。对于运行1，利用率稳定在~ 50m字节/秒。对于运行3，稳定的利用率增加了一倍，约为100 M字节/秒。

从DzOrd分享的cloudera博客文章中，你可以看到这句重要的话:

我注意到HDFS客户端有大量并发线程的问题。一个粗略的猜测是，每个执行器最多5个任务可以实现完整的写吞吐量，所以最好将每个执行器的内核数保持在这个数字以下。

那么，让我们做一些计算，看看如果这是真的，我们期望的性能是什么。

运行1:19 GB, 7核，3个执行器

3个执行者x 7个线程= 21个线程 每个executor有7个内核，我们期望有限的IO到HDFS(最多5个内核) 有效吞吐量~= 3个executor x 5个线程= 15个线程

运行3:4 GB, 2核，12个执行器

2个executor x 12个线程= 24个线程 每个executor有2个内核，所以HDFS的吞吐量是可以的 有效吞吐量~= 12个executor x 2个线程= 24个线程

如果作业100%受到并发性(线程数)的限制。我们期望运行时与线程数完全成反比。

ratio_num_threads = nthread_job1 / nthread_job3 = 15/24 = 0.625
inv_ratio_runtime = 1/(duration_job1 / duration_job3) = 1/(50/31) = 31/50 = 0.62

因此，ratio_num_threads ~= inv_ratio_runtime，看起来我们受到了网络限制。

同样的效果解释了运行1和运行2之间的差异。

运行2:19 GB, 4核，3个执行器

3个执行者x 4个线程= 12个线程 每个executor有4个内核，可以IO到HDFS 有效吞吐量~= 3个执行者x 4个线程= 12个线程

比较有效线程数和运行时数:

ratio_num_threads = nthread_job2 / nthread_job1 = 12/15 = 0.8
inv_ratio_runtime = 1/(duration_job2 / duration_job1) = 1/(55/50) = 50/55 = 0.91

它没有上次的比较那么完美，但是当失去线程时，我们仍然可以看到类似的性能下降。

现在是最后一点:为什么线程越多性能越好，尤其是线程数比cpu数多?

并行性(我们通过将数据划分到多个CPU上得到的东西)和并发性(我们使用多个线程在一个CPU上工作时得到的东西)之间的区别，Rob Pike在这篇很棒的文章中提供了一个很好的解释:并发性不是并行性。

简单的解释是，如果一个Spark作业与一个文件系统或网络交互，那么CPU会花很多时间等待与这些接口的通信，而不是花很多时间实际“工作”。通过同时为这些cpu提供多个任务，它们将花费更少的等待时间和更多的工作时间，从而获得更好的性能。