Spark如何在一个SparkContext中提交多个任务

在使用spark处理数据的时候，大多数都是提交一个job执行，然后job内部会根据具体的任务，生成task任务，运行在多个进程中，比如读取的HDFS文件的数据，spark会加载所有的数据，然后根据block个数生成task数目，多个task运行中不同的进程中，是并行的，如果在同一个进程中一个JVM里面有多个task，那么多个task也可以并行，这是常见的使用方式。

考虑下面一种场景，在HDFS上某个目录下面有10个文件，我想要同时并行的去统计每个文件的数量，应该怎么做？ 其实spark是支持在一个spark context中可以通过多线程同时提交多个任务运行，然后spark context接到这所有的任务之后，通过中央调度，在来分配执行各个task，最终任务完成程序退出。

下面就来看下如何使用多线程提交任务，可以直接使用new Thread来创建线程提交，但是不建议这么做，推荐的做法是通过Executors线程池来异步管理线程，尤其是在提交的任务比较多的时候用这个会更加方便。

核心代码如下：

Java代码 收藏代码
def main(args: Array[String]): Unit = {

val sparkConf=new SparkConf()
//实例化spark context
val sc=new SparkContext(sparkConf)
sparkConf.setAppName(“multi task submit “)
//保存任务返回值
val list=new util.ArrayListFuture[String]
//并行任务读取的path
val task_paths=new util.ArrayListString
task_paths.add(”/tmp/data/path1/”)
task_paths.add("/tmp/data/path2/")
task_paths.add("/tmp/data/path3/")

//线程数等于path的数量
val nums_threads=task_paths.size()
//构建线程池
val executors=Executors.newFixedThreadPool(nums_threads)
for(i<-0 until nums_threads){
val task= executors.submit(new Callable[String] {
override def call(): String ={
val count=sc.textFile(task_paths.get(i)).count()//获取统计文件数量
return task_paths.get(i)+" 文件数量： "+count
}
})

list.add(task)//添加集合里面
}
//遍历获取结果
list.asScala.foreach(result=>{
log.info(result.get())
})
//停止spark
sc.stop()

可以看到使用scala写的代码比较精简，这样就完成了一个并行task提交的spark任务，最后我们打包完毕后，上传到linux上进行提交，命令如下：

Java代码 收藏代码
/opt/bigdata/spark/bin/spark-submit
–class MultiTaskSubmit
–master yarn
–deploy-mode cluster
–executor-cores 3
–driver-memory 1g
–executor-memory 1g
–num-executors 10
–jars $jars task.jar

最后需要注意一点，在线程里面调用的方法如果包含一些全局加载的属性，最好放在线程的成员变量里面进行初始化，否则多个线程去更改全局属性，有可能会造成一些未知的问题。