关于spark job并行的问题

• 2019 年 10 月 30 日
• 筆記

今天被同事问了一个简单又不简单的问题，一个spark app里面有两个job，那么，他们可以并行执行吗？

首先我们要了解一点，我们写的代码同一个线程都是按照顺序执行的，那么我们的job应该都是串行一个个执行。。。但真是这样么？

理论上，我们写spark core都不会用到多线程，那个代码的执行确实是一条线下去，当遇到action算子时会被阻塞，开始解析并执行这个spark任务，当任务执行完才会继续往下走。我们可以想想平时提交多job的任务，在webui上是不是一开始只看见一个job，一个执行完了才会有下一个。

那么如何并行呢？其实我们可以通过简单的多线程实现，只要我们的driver能读到多个action，那么他会把任务都提交上去，也就实现了我们job并行。

这个其实很好理解，完全符合我们一般写代码的逻辑，但是如果把这个扩展到spark streaming，可能就不是那么好使了，为什么呢？我们知道流处理是不间断的，会一遍又一遍重复去执行你的任务，这个时候如果你说是一条线程从头到尾，那就玩不下去了，那么这个时候spark是怎么处理的呢？我们可以简单这么理解，他会先将我们的代码逻辑解析出来，放到一个集合，然后在写个死循环，每隔一段时间去把集合里面的逻辑执行一遍。这样一来spark streaming就不局限于单个线程执行了，因为所有job都解析好了，我只是要去执行job，那我当然可以开启一个线程池，直接去执行任务了，而事实上，如果你看它底层实现，也确实是这样，并且提供了spark.streaming.concurrentJobs参数给我们配置job的并发度，也就不用我们自己去写多线程了，当然，默认是1，也就是串行执行。