qindongliang1922 阅读(111) 评论(0)
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:

   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.ArrayList[Future[String]]()
    //并行任务读取的path
    val task_paths=new util.ArrayList[String]()
    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:

 
 /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。

有什么问题可以扫码关注微信公众号:我是攻城师(woshigcs),在后台留言咨询。 技术债不能欠,健康债更不能欠, 求道之路,与君同行。