在 Spark 2 中使用 DataSet.repartition - 多个任务处理多个分区

Question

我们有一个 spark 流应用程序（spark 2.1 在 Hortonworks 2.6 上运行）并使用DataSet.repartition（在DataSet<Row>从 Kafka 读取的a上）DataSet<Row>'s根据给定的列（称为block_id）重新分区分区。

我们从一个DataSet<Row>包含 50 个分区的分区开始，最后（在调用 之后DataSet.repartition）分区数量等于唯一block_id 的数量。

问题是它的DataSet.repartition行为不像我们预期的那样——当我们查看运行 的 spark 作业的事件时间线时repartition，我们看到有几个任务处理 1 个block_id，而处理 2 个block_id甚至 3 或 4 个block_id 的任务较少。

似乎可以DataSet.repartition确保所有Rows具有相同block_id 的都在单个分区内，但并不是每个创建分区的任务都只处理一个 block_id。

结果是重新分区作业（在流应用程序内部运行）花费的时间与其最长的任务（处理最多block_id 的任务）一样多。

我们尝试使用提供给流媒体应用程序的 Vcor​​es 数量 - 从 10 到 25 到 50（我们在从 Kafka 读取的原始 RDD 中有 50 个分区）但结果是相同的 - 总是有一个或多个任务处理更多比一个block_id。

我们甚至尝试增加批处理时间，这同样没有帮助我们实现处理一个block_id 的任务的目标。

举个例子 - 这是描述repartitionspark 作业运行的事件时间线和任务表：

事件时间线- 红色的两个任务是处理两个block_id 的任务：

任务表- 红色的两个任务与上面的两个任务相同 - 注意每个任务的持续时间是所有其他任务（仅处理一个block_id）的持续时间的两倍

这对我们来说是一个问题，因为流应用程序由于这些长任务而延迟，我们需要一种解决方案，使我们能够repartition在 DataSet上执行，同时让每个任务只处理一个block_id。

如果这是不可能的，那么也许这是可能的，JavaRDD?因为在我们的情况下，DataSet<Row>我们运行的repartitionon 是从JavaRDD.

Answer 1

您需要考虑的2个问题：

• 有一个确保数据均匀分布的自定义分区器，1 block_id / partition
• 调整集群大小，以便您有足够的执行程序来同时运行所有任务 (block_ids)

正如您所见，对 DataFrame 进行简单的重新分区并不能保证您会获得均匀分布。当您通过 block_id 重新分区时，它将使用 HashPartitioner，其公式为：

Utils.nonNegativeMod(key.hashCode, numPartitions)

参见：https : //github.com/apache/spark/blob/branch-2.2/core/src/main/scala/org/apache/spark/Partitioner.scala#L80-L88

很可能有 2 个以上的键被分配给相同的 partition_id，因为 partition_id 是键的 hashCode 模数分区。

您可以通过使用带有自定义分区程序的 RDD 来实现您的需求。最简单的方法是在重新分区之前提取不同的 block_id 列表。

这是一个简单的例子。假设您可以有 5 个块 (2,3,6,8,9) 并且您的集群有 8 个执行程序（最多可以同时运行 8 个任务），我们被 3 个执行程序过度配置：

scala> spark.conf.get("spark.sql.shuffle.partitions")
res0: String = 8

scala> spark.conf.get("spark.default.parallelism")
res1: String = 8

// Basic class to store dummy records
scala> case class MyRec(block_id: Int, other: String)
defined class MyRec

// Sample DS
scala> val ds = List((2,"A"), (3,"X"), (3, "B"), (9, "Y"), (6, "C"), (9, "M"), (6, "Q"), (2, "K"), (2, "O"), (6, "W"), (2, "T"), (8, "T")).toDF("block_id", "other").as[MyRec]
ds: org.apache.spark.sql.Dataset[MyRec] = [block_id: int, other: string]

scala> ds.show
+--------+-----+
|block_id|other|
+--------+-----+
|       2|    A|
|       3|    X|
|       3|    B|
|       9|    Y|
|       6|    C|
|       9|    M|
|       6|    Q|
|       2|    K|
|       2|    O|
|       6|    W|
|       2|    T|
|       8|    T|
+--------+-----+

// Default partitioning gets data distributed as uniformly as possible (record count)
scala> ds.rdd.getNumPartitions
res3: Int = 8

// Print records distribution by partition
scala> ds.rdd.mapPartitionsWithIndex((idx, it) => Iterator((idx, it.toList))).toDF("partition_id", "block_ids").show
+------------+--------------+
|partition_id|     block_ids|
+------------+--------------+
|           0|       [[2,A]]|
|           1|[[3,X], [3,B]]|
|           2|       [[9,Y]]|
|           3|[[6,C], [9,M]]|
|           4|       [[6,Q]]|
|           5|[[2,K], [2,O]]|
|           6|       [[6,W]]|
|           7|[[2,T], [8,T]]|
+------------+--------------+

// repartitioning by block_id leaves 4 partitions empty and assigns 2 block_ids (6,9) to same partition (1)
scala> ds.repartition('block_id).rdd.mapPartitionsWithIndex((idx, it) => Iterator((idx, it.toList))).toDF("partition_id", "block_ids").where(size('block_ids) > 0).show(false)
+------------+-----------------------------------+
|partition_id|block_ids                          |
+------------+-----------------------------------+
|1           |[[9,Y], [6,C], [9,M], [6,Q], [6,W]]|
|3           |[[3,X], [3,B]]                     |
|6           |[[2,A], [2,K], [2,O], [2,T]]       |
|7           |[[8,T]]                            |
+------------+-----------------------------------+

// Create a simple mapping for block_id to partition_id to be used by our custom partitioner (logic may be more elaborate or static if the list of block_ids is static):
scala> val mappings = ds.map(_.block_id).dropDuplicates.collect.zipWithIndex.toMap
mappings: scala.collection.immutable.Map[Int,Int] = Map(6 -> 1, 9 -> 0, 2 -> 3, 3 -> 2, 8 -> 4)

//custom partitioner assigns partition_id according to the mapping arg
scala> class CustomPartitioner(mappings: Map[Int,Int]) extends org.apache.spark.Partitioner {
     |   override def numPartitions: Int = mappings.size
     |   override def getPartition(rec: Any): Int = { mappings.getOrElse(rec.asInstanceOf[Int], 0) }
     | }
defined class CustomPartitioner

// Repartition DS using new partitioner
scala> val newDS = ds.rdd.map(r => (r.block_id, r)).partitionBy(new CustomPartitioner(mappings)).toDS
newDS: org.apache.spark.sql.Dataset[(Int, MyRec)] = [_1: int, _2: struct<block_id: int, other: string>]

// Display evenly distributed block_ids
scala> newDS.rdd.mapPartitionsWithIndex((idx, it) => Iterator((idx, it.toList))).toDF("partition_id", "block_ids").where(size('block_ids) > 0).show(false)
+------------+--------------------------------------------+
|partition_id|block_ids                                   |
+------------+--------------------------------------------+
|0           |[[9,[9,Y]], [9,[9,M]]]                      |
|1           |[[6,[6,C]], [6,[6,Q]], [6,[6,W]]]           |
|2           |[[3,[3,X]], [3,[3,B]]]                      |
|3           |[[2,[2,A]], [2,[2,K]], [2,[2,O]], [2,[2,T]]]|
|4           |[[8,[8,T]]]                                 |
+------------+--------------------------------------------+