Spark如何在一个SparkContext中提交多个任务

刺骨的言语ヽ痛彻心扉 2022-06-13 10:14 204阅读 0赞

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。