現(xiàn)象
大家在使用 Apache Spark 2.x 的時(shí)候可能會(huì)遇到這種現(xiàn)象：雖然我們的 Spark Jobs 已經(jīng)全部完成了，但是我們的程序卻還在執(zhí)行。比如我們使用 Spark SQL 去執(zhí)行一些 SQL，這個(gè) SQL 在最后生成了大量的文件。然后我們可以看到，這個(gè) SQL 所有的 Spark Jobs 其實(shí)已經(jīng)運(yùn)行完成了，但是這個(gè)查詢語句還在運(yùn)行。通過日志，我們可以看到 driver 節(jié)點(diǎn)正在一個(gè)一個(gè)地將 tasks 生成的文件移動(dòng)到最終表的目錄下面，當(dāng)我們作業(yè)生成的文件很多的情況下，就很容易產(chǎn)生這種現(xiàn)象。本文將給大家介紹一種方法來解決這個(gè)問題。
為什么會(huì)造成這個(gè)現(xiàn)象
Spark 2.x 用到了 Hadoop 2.x，其將生成的文件保存到 HDFS 的時(shí)候，最后會(huì)調(diào)用了 saveAsHadoopFile，而這個(gè)函數(shù)在里面用到了 FileOutputCommitter，如下：
問題就出在了 Hadoop 2.x 的 FileOutputCommitter 實(shí)現(xiàn)FileOutputCommitter 里面有兩個(gè)值得注意的方法：commitTask 和 commitJob。在 Hadoop 2.x 的FileOutputCommitter 實(shí)現(xiàn)里面，mapreduce.fileoutputcommitter.algorithm.version 參數(shù)控制著 commitTask 和 commitJob 的工作方式。具體代碼如下（為了說明方便，我去掉了無關(guān)緊要的語句，完整代碼可以參見 FileOutputCommitter.java）：
大家可以看到 commitTask 方法里面，有個(gè)條件判斷 algorithmVersion == 1，這個(gè)就是 mapreduce.fileoutputcommitter.algorithm.version 參數(shù)的值，默認(rèn)為1；如果這個(gè)參數(shù)為1，那么在 Task 完成的時(shí)候，是將 Task 臨時(shí)生成的數(shù)據(jù)移到 task 的對(duì)應(yīng)目錄下，然后再在 commitJob 的時(shí)候移到最終作業(yè)輸出目錄，而這個(gè)參數(shù),在 Hadoop 2.x 的默認(rèn)值就是 1！這也就是為什么我們看到 job 完成了，但是程序還在移動(dòng)數(shù)據(jù)，從而導(dǎo)致整個(gè)作業(yè)尚未完成，而且最后是由 Spark 的 Driver 執(zhí)行 commitJob 函數(shù)的，所以執(zhí)行的慢也是有到底的。
而我們可以看到，如果我們將 mapreduce.fileoutputcommitter.algorithm.version 參數(shù)的值設(shè)置為 2，那么在 commitTask 執(zhí)行的時(shí)候，就會(huì)調(diào)用 mergePaths 方法直接將 Task 生成的數(shù)據(jù)從 Task 臨時(shí)目錄移動(dòng)到程序最后生成目錄。而在執(zhí)行 commitJob 的時(shí)候，直接就不用移動(dòng)數(shù)據(jù)了，自然會(huì)比默認(rèn)的值要快很多。
注意，其實(shí)在 Hadoop 2.7.0 之前版本，我們可以將 mapreduce.fileoutputcommitter.algorithm.version 參數(shù)設(shè)置為非1的值就可以實(shí)現(xiàn)這個(gè)目的，因?yàn)槌绦蚶锩娌]有限制這個(gè)值一定為2,。不過到了 Hadoop 2.7.0，mapreduce.fileoutputcommitter.algorithm.version 參數(shù)的值必須為1或2，具體參見 MAPREDUCE-4815。
怎么在 Spark 里面設(shè)置這個(gè)參數(shù)
問題已經(jīng)找到了，我們可以在程序里面解決這個(gè)問題。有以下幾種方法：
- 直接在
conf/spark-defaults.conf 里面設(shè)置 spark.hadoop.mapreduce.fileoutputcommitter.algorithm.version 2，這個(gè)是全局影響的。
- 直接在 Spark 程序里面設(shè)置，spark.conf.set("mapreduce.fileoutputcommitter.algorithm.version", "2")，這個(gè)是作業(yè)級(jí)別的。
- 如果你是使用 Dataset API 寫數(shù)據(jù)到 HDFS，那么你可以這么設(shè)置 dataset.write.option("mapreduce.fileoutputcommitter.algorithm.version", "2")。
不過如果你的 Hadoop 版本為 3.x，mapreduce.fileoutputcommitter.algorithm.version 參數(shù)的默認(rèn)值已經(jīng)設(shè)置為2了，具體參見 MAPREDUCE-6336 和 MAPREDUCE-6406。
因?yàn)檫@個(gè)參數(shù)對(duì)性能有一些影響，所以到了 Spark 2.2.0，這個(gè)參數(shù)已經(jīng)記錄在 Spark 配置文檔里面了 configuration.html，具體參見 SPARK-20107。
總結(jié)
以上所述是小編給大家介紹的Apache Spark 2.0 在作業(yè)完成時(shí)卻花費(fèi)很長(zhǎng)時(shí)間結(jié)束，希望對(duì)大家有所幫助！
