对于Spark这样的分布式计算系统,任务会分发到多台机器上执行。如何榨干有限的集群资源来实现快速并行计算,是需要考虑的重要问题之一。而这个问题又可以拆解为:如何将有限的集群资源都分配给Spark使用;如何将分配到的资源都利用起来。本文的话题属于后者的范畴,将从笔者在实践中遇到的场景出发,探讨如何在Spark下并行执行多个Job。
背景
在我们的数据系统中,有一些实时流任务与离线任务会将处理结果以Parquet的形式存储到AWS S3上。为了便于后续处理与快速查询,需要按照数据类型(目前有四种类型)、时间间隔(按天分隔)来划分Parquet分区,即一批数据会分散存储到不同的路径下,比如s3://data/type=security/interval=1552608000、s3://data/type=policy/interval=1552608000等。目前,我们通过Spark DataFrame的API来写文件,有两种实现方式:
通过for循环依次根据数据类型、时间间隔将数据Filter出来,然后写入相应的路径下。
fortypeintypes:forintervalinintervals:df.filter(df.type==type).filter(df.interval==interval).write.parquet("s3://data/type=%s/interval=%s"% (type, interval))
通过partitionBy功能让Spark自动做将数据写入不同的分区路径。
df.write.partitionBy("type","interval").mode("append").parquet("s3://data")
这两种实现方式,前者是显式的一件一件做,每循环一次就是一个Job,后者是在一个Job中完成。看上去后者的执行效率会更高,代码也简洁,但实际效果并非如此。两个原因:首先,第二种方式在每个Task中还是根据相应的数据类型、时间间隔来串行写入的,并没有真正提升写入速度。其次,第一种方式会更加可控,可以显式的知道做到了哪里,如果出错的话可以知道错在哪个环节,恢复回来时可以根据checkpoint将已经做过的跳过去,避免重复写入。目前,我们主要采用第一种方式,这也是我们后面探讨的前提。
对于一个Spark Job,我们总是期望能充分利用所有的cpu-vcore来并行执行,因此通常会将数据repartition成cpu-vcore的个数,即每个cpu-vcore上跑一个Task。而对于写文件的Job,每个Task会写入到自己的一个文件中,最终生成的文件数是由Task个数决定。在下图1中,假设集群总共有12个cpu-vcore分配给Executor使用,那么就会有12个Task并行执行写入,最终生成12个文件。