如何解决Spark Job 只处理单个 Spark 容器中的文件
我正在从 gcs 读取 csv 文件,我需要遍历每一行并调用 api 以获取一些数据并将其附加到新的数据帧中。
代码如下:
DataFrame<Row> df = sparkSession.read().option("header",true).csv("gs://bucketPath");
df = df.map(MapFunction<Row,Row> row -> callApi(row),RowEncoder.apply(schema)).cache();
df.write().format("bigquery").save()
我看到的主要问题是 callApi 的所有日志都来自一个容器。我尝试使用 openCostInBytes 并尝试编写自定义 UDF,但它仍然在一个容器中处理。
理想情况下,我希望看到给定的 10 行和 2 个执行器,每个执行器具有 5 个内核。每个执行程序应处理 5 行,其中每个核心获得 1 行。我对火花的理解不正确吗?
附注。我知道我不应该从 spark 调用 api,而且我知道 scala 比 java 更适合 spark。请逗我开心。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。