Spark 将任务分配给多个执行器

Question

我想并行运行 SQL 查询，并且能够将并行级别控制为 8 个查询。现在，我正在做这段代码。这个想法是创建 8 个分区并允许执行器并行运行它们。

  (1 to 8).toSeq.toDF.repartition(8) // 8 partitions
  .rdd.mapPartitions(
  x => {
  val conn = createConnection()
    x.foreach{
      s => { // expect the below query be run concurently
      execute(s"SELECT * FROM myTable WHERE col = ${s.get(0)}")
      }
    }
  conn.close()
  x
  }).take(1)

问题是 8 个查询是一一运行的。

我应该如何继续让查询运行 8 by 8 ？

Answer 1

当你这样做时

val df = (1 to 8).toSeq.toDF.repartition(8)

这不会创建 8 个分区，每个分区有 1 条记录。如果您检查此数据框（例如参见/sf/answers/3222282031/），那么您会得到：

+----------------+-----------------+
|partition_number|number_of_records|
+----------------+-----------------+
|               0|                0|
|               1|                0|
|               2|                0|
|               3|                0|
|               4|                0|
|               5|                0|
|               6|                4|
|               7|                4|
+----------------+-----------------+

因此，您将只有 2 个非空分区，因此您将拥有最大 2 倍并行度（我在这里询问过这个问题：How does Round Robin Partitioning in Spark work?）

要制作相同大小的分区，您最好使用

spark.sparkContext.parallelize((0 to 7), numSlices = 8)

代替

(1 to 8).toSeq.toDF.repartition(8).rdd

第一个选项为每个分区提供 1 条记录，第二个选项则不然，因为它使用循环分区

附带说明一下，当您这样做时x.foreach，thenx将被消耗（迭代器只能遍历一次），因此如果您返回，x您将始终得到一个空迭代器。

所以你的最终代码可能如下所示：

+----------------+-----------------+
|partition_number|number_of_records|
+----------------+-----------------+
|               0|                0|
|               1|                0|
|               2|                0|
|               3|                0|
|               4|                0|
|               5|                0|
|               6|                4|
|               7|                4|
+----------------+-----------------+

除了使用mapPartitions（这是惰性的）之外，您还可以使用foreachPartition，这是非惰性的

由于每个分区只有 1 条记录，因此迭代分区并不是真正有益，您也可以只使用普通的foreach：

spark.sparkContext.parallelize((0 to 7), numSlices = 8)