В Apache Spark, как сделать так, чтобы задача всегда выполнялась на одной машине? - PullRequest
Новая
       87

В Apache Spark, как сделать так, чтобы задача всегда выполнялась на одной машине?

2 голосов
/ 25 апреля 2020

В своей простейшей форме СДР является просто заполнителем цепных вычислений, которые могут быть произвольно запланированы для выполнения на любой машине: 

val src = sc.parallelize(0 to 1000)

val rdd = src.mapPartitions { itr =>
  Iterator(SparkEnv.get.executorId)
}

for (i <- 1 to 3) {

  val vs = rdd.collect()
  println(vs.mkString)
}

/* yielding:
1230123012301230
0321032103210321
2130213021302130
*/

Это поведение, очевидно, может быть переопределено путем создания любого из восходящих СДР. сохраняется, так что планировщик Spark минимизирует избыточные вычисления: 

val src = sc.parallelize(0 to 1000)

src.persist()

val rdd = src.mapPartitions { itr =>
  Iterator(SparkEnv.get.executorId)
}

for (i <- 1 to 3) {

  val vs = rdd.collect()
  println(vs.mkString)
}

/* yield:
2013201320132013
2013201320132013
2013201320132013
each partition has a fixed executorID
*/

Теперь моя проблема:

Мне не нравится механизм кэширования vanilla (см. этот пост : В Apache Spark, могу ли я постепенно кэшировать раздел RDD? ) и написал свой собственный механизм кэширования (путем реализации нового RDD). Поскольку новый механизм кэширования способен только читать существующие значения с локального диска / памяти, при наличии нескольких исполнителей мой кэш для каждого раздела будет часто пропадать при каждом выполнении раздела в задаче на другом компьютере.

Итак, мой вопрос:

Как мне подражать c Постоянная реализация Spark RDD, чтобы попросить планировщик DAG принудительно включить / предложить планирование задач с учетом локальности? Без фактического вызова метода .persist(), потому что он не нужен.

...