java - 如何在Java中并行运行spark程序

Question

所以我有一个具有 Spark Maven 依赖项的 Java 应用程序，并且在运行它时，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。我指定了 SparkSession 实例，其中并行提及了核心数量和其他配置属性，但是当我使用 htop 查看统计信息时，它似乎并没有使用所有核心，而只是使用了 1 个核心。

   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")

我还在 JavaSparkContext 中添加了:

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");

我的任务是将数据从 aws s3 读取到 df 并将数据写入另一个存储桶。

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);

Answer 1

.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 等将整个文件交给单个工作人员。如果您想要并行处理，请使用不同的压缩格式(例如 snappy)