时间戳

首页 > 解决方案 > 如何在 Java 中并行运行 spark 程序

java - 如何在 Java 中并行运行 spark 程序

问题描述

所以我有一个具有 spark maven 依赖项的 java 应用程序，在运行它时，它会在运行它的主机上启动 spark 服务器。服务器实例有 36 个核心。我正在指定 SparkSession 实例，其中我提到了并行的核心数量和其他配置属性，但是当我看到使用 的统计信息时htop，它似乎并没有使用所有核心，而只使用了 1 个。

   SparkSession spark  = SparkSession
                .builder()
                .master("local")
                .appName("my-spark")
                .config("spark.driver.memory","50g")
                .config("spark.hadoop.fs.s3a.impl","org.apache.hadoop.fs.s3a.S3AFileSystem")
                .config("spark.hadoop.mapreduce.fileoutputcommitter.algorithm.version", "2")
                .config("spark.sql.shuffle.partitions", "400")
                .config("spark.eventLog.enabled", "true")
                .config("spark.eventLog.dir", "/dir1/dir2/logs")
                .config("spark.history.fs.logDirectory", "/dir1/dir2/logs")
                .config("spark.executor.cores", "36")

我还添加了 JavaSparkContext ：

JavaSparkContext sc = new JavaSparkContext(spark.sparkContext());
sc.hadoopConfiguration().set("fs.s3a.access.key", AWS_KEY);
sc.hadoopConfiguration().set("fs.s3a.secret.key", AWS_SECRET_KEY);
sc.hadoopConfiguration().set("spark.driver.memory","50g");
sc.hadoopConfiguration().set("spark.eventLog.enabled", "true");
sc.hadoopConfiguration().set("spark.eventLog.dir", "/dir1/dir2/logs");
sc.hadoopConfiguration().set("spark.executor.cores", "36");

我的任务是将 aws s3 中的数据读取到 df 中并将数据写入另一个存储桶中。

Dataset<Row> df = spark.read().format("csv").option("header", "true").load("s3a://bucket/file.csv.gz");
        //df = df.repartition(200);

        df.withColumn("col_name", df.col("col_name")).sort("col_name", "_id").write().format("iceberg").mode("append").save(location);

标签： javaapache-sparkparallel-processingapache-spark-datasethadoop-partitioning

解决方案

.gz 文件是“不可吐出的”：要解压缩它们，您必须从字节 0 开始并向前读取。因此，spark、hive、MapReduce 等将整个文件提供给单个工作人员。如果您想要并行处理，请使用不同的压缩格式（例如 snappy）

推荐阅读