Understanding and Configuring Partition Size in Apache Spark | by VivekR | Mediumの翻訳です。

本書は著者が手動で翻訳したものであり内容の正確性を保証するものではありません。正確な内容に関しては原文を参照ください。

Apache Sparkにおけるパーティションソース: ProjectPro

Apache Sparkの分散処理において、パーティショニングは重要な役割を担います。それぞれのパーティションのサイズは、Sparkジョブの効率性やパフォーマンスに影響を与えます。本書では、Apache Sparkにおいて、4つの鍵となる要素を考慮することで、パーティションサイズがどのように決定されるのかを探索します。これらの要素を理解することで、パフォーマンス改善のためにあなたのSparkアプリケーションを最適化する助けとなることでしょう。

クラスターのコア数: クラスターで利用できるコアの数は、パーティショニングに影響を与える主要な要素の一つです。デフォルトでは、Sparkはエグゼキューターで利用できるコアの数に基づいてパーティションを作成しようとします。コアを追加することで同時処理を可能にし、クラスター全体での効率的な並列性を実現します。
データセットのサイズ: 処理されるデータセットのサイズもまた重要な要素となります。Sparkはバランスの取れたワークロードの分散を実現するため、パーティションに対してデータを均等に分配しようとします。データセットが大きい場合、Sparkは効率的な処理を行えるように自動でパーティションの数を増加させます。逆に、小規模なデータセットでは、オーバーヘッドを最小化するために少ないパーティション数になることがあります。
maxPartitionBytes: maxPartitionBytesパラメータは、それぞれのパーティションの最大サイズをバイトで指定する設定可能なセッティングです。パーティションのサイズをコントロールするための上限値を指定し、過度に大きい、あるい極端に小さいパーティションを回避します。デフォルトでは、値は128 MB(134217728バイト)に設定され知ます。このパラメーターを調整することで、特定のワークロード特性やクラスターリソースに基づいてパーティショニングを最適化する助けとなります。
openCostInBytes: openCostInBytesパラメータは、計算処理の過程で新規パーティションをオープンする際のコストをバイトで定義します。パーティションのオープンや処理に関係するオーバーヘッドを表現します。デフォルトの値は4 MB(4194304バイト)に設定されています。このパラメーターを考慮することで、Sparkはデータセットのサイズや処理の要件に基づいて、最適なパーティション数をインテリジェントに推定します。

例: パーティショニングのプロセスを説明するための例を考えてみましょう。8コアのクラスターと1 GBのデータセットがあるとしましょう。デフォルトでは、Sparkは利用可能なコア数に基づいてパーティションを作成する場合があり、8パーティションが作成されます。しかし、maxPartitionBytesが256 MBに設定され、openCostInBytesが2 MBに設定されると、指定されたmaxPartitionBytesの制限に従い、openCostInBytesのオーバーヘッドを考慮することで、それぞれのパーティションサイズが約128 MBになるようなパーティションを作成するでしょう。

最終的なパーティション数を計算するには、以下の数式を使うことができます:

パーティション数 = データセットのサイズ / (パーティションサイズ + openCostInBytes)

パーティション数 = 1 GB / (128 MB + 2 MB)

パーティション数 = 1 GB / 130 MB

パーティション数 ≈ 7.69

パーティション数は整数値である必要があるため、Sparkは近い整数値に切り上げます。おのため、この例での最終的なパーティション数は8になります。

パーティショニングは、Apache Sparkのパフォーマンスの最適化における重要な側面です。コア数、データセットのサイズ、maxPartitionBytesやopenCostInBytesを考慮することで、あなたのSparkアプリケーションのパーティショニング戦略をファインチューンすることができます。パーティションサイズがどのように決定されるのかを理解することで、優れたワークロード分布、並列どの最大化、全体的なパフォーマンスの改善が可能となります。