Spark Streaming 应用程序太慢

Posted 2023-04-15

【中文标题】Spark Streaming 应用程序太慢

【英文标题】：SparkStreaming application too slow

【发布时间】：2017-05-02 13:13:54

【问题描述】：

在开发 SparkStreaming 应用程序 (python) 时，我不完全确定我是否理解它的工作原理。 我只需要读取一个 json 文件流（弹出一个目录）并对每个 json 对象和一个引用执行连接操作，然后将其写回文本文件。这是我的代码：

config = configparser.ConfigParser()
config.read("config.conf")

def getSparkSessionInstance(sparkConf):
if ("sparkSessionSingletonInstance" not in globals()):
    globals()["sparkSessionSingletonInstance"] = SparkSession \
        .builder \
        .config(conf=sparkConf) \
        .getOrCreate()
return globals()["sparkSessionSingletonInstance"]

# Création du contexte
sc = SparkContext()
ssc = StreamingContext(sc, int(config["Variables"]["batch_period_spark"]))
sqlCtxt = getSparkSessionInstance(sc.getConf())
df_ref = sqlCtxt.read.json("file://" + config["Paths"]["path_ref"])
df_ref.createOrReplaceTempView("REF")
df_ref.cache()
output = config["Paths"]["path_DATAs_enri"]


# Fonction de traitement des DATAs
def process(rdd):
        if rdd.count() > 0:
                #print(rdd.toDebugString)
                df_DATAs = sqlCtxt.read.json(rdd)
                df_DATAs.createOrReplaceTempView("DATAs")
                df_enri=sqlCtxt.sql("SELECT DATAs.*, REF.Name, REF.Mail FROM DATAs, REF WHERE DATAs.ID = REF.ID")
                df_enri.createOrReplaceTempView("DATAs_enri")
                df_enri.write.mode('append').json("file://" + output)
                if(df_enri.count() < df_DATAs.count()):
                        df_fail = sqlCtxt.sql("SELECT * FROM DATAs WHERE DATAs.ID NOT IN (SELECT ID FROM DATAs_enri)")
                        df_fail.show()


# Configuration du stream et lancement
files = ssc.textFileStream("file://" + config["Paths"]["path_stream_DATAs"])
files.foreachRDD(process)
print("[GO]")
ssc.start()
ssc.awaitTermination()

这是我的火花配置：

spark.master                    local[*]
spark.executor.memory           3g
spark.driver.memory             3g
spark.python.worker.memory      3g
spark.memory.fraction           0.9
spark.driver.maxResultSize      3g
spark.memory.storageFraction    0.9
spark.eventLog.enabled          true

嗯，它正在工作，但我有一个问题：流程很慢，流程延迟正在增加。我在local[*]工作，怕是没有并行...在监控UI中，一次只能看到一个executor和一个job。有没有更简单的方法来做到这一点？就像 DStream 上的 transform 函数一样？是否缺少我的配置变量？

【参考方案1】：

你的代码慢有几个原因。

关于工人，正如我所见，我没有看到您设置工人数量的任何地方。因此，它将从默认的工作人员数量开始，这意味着可能是 1。另一方面，您正在从一个可能不是那么大的文件中读取数据，并且 spark 没有进行并行处理。

另一方面，您需要取消代码的几个步骤：

您有很多计数：if rdd.count() > 0:; if(df_enri.count() < df_DATAs.count()):，计数很昂贵，这是流数据中的减少阶段，而您的计数是计数的 3 倍。 联接也很昂贵，在流式处理过程中进行联接并不是那么好，df_ref.cache() 做得对，但是联接确实会随机播放，而且成本很高。

我建议你，不要做那个失败的步骤，从你的代码中删除它。它没有用，只是不要保存数据。其他的，设置更多的工人或更多的核心来执行：spark.executor.cores=2，你可以看到here。

【讨论】：

嗯，非常感谢这些建议！我还有一个问题，我的 if 中的第一个 count 是为了防止 Spark 在 rdd 到来之前对其进行处理。即使还没有要处理的内容，SparkStreaming 在流上启动操作是否正常？因为如果我不这样做，它会告诉我我正在处理空 RDD...

第一个count()建议你使用isEmpty()spark.apache.org/docs/2.1.0/api/python/…这个函数，这样可以更快地检查你是否为空。这不会产生随机播放。