Apache Spark 与 HadoopRDD 的自定义 InputFormat

Question

我目前正在研究 Apache Spark。我已经为 Apache Hadoop 实现了一个自定义 InputFormat，它通过 TCP 套接字读取键值记录。我想将此代码移植到 Apache Spark 并将其与 hadoopRDD() 函数一起使用。我的 Apache Spark 代码如下：

public final class SparkParallelDataLoad {

    public static void main(String[] args) {
        int iterations = 100;
        String dbNodesLocations = "";
        if(args.length < 3) {
            System.err.printf("Usage ParallelLoad <coordinator-IP> <coordinator-port> <numberOfSplits>\n");
            System.exit(1);
        }
        JobConf jobConf = new JobConf();
        jobConf.set(CustomConf.confCoordinatorIP, args[0]);
        jobConf.set(CustomConf.confCoordinatorPort, args[1]);
        jobConf.set(CustomConf.confDBNodesLocations, dbNodesLocations);

        int numOfSplits = Integer.parseInt(args[2]);

        CustomInputFormat.setCoordinatorIp(args[0]);
        CustomInputFormat.setCoordinatorPort(Integer.parseInt(args[1]));

        SparkConf sparkConf = new SparkConf().setAppName("SparkParallelDataLoad");

        JavaSparkContext sc = new JavaSparkContext(sparkConf);

        JavaPairRDD<LongWritable, Text> records = sc.hadoopRDD(jobConf, 
                CustomInputFormat.class, LongWritable.class, Text.class, 
                numOfSplits);

        JavaRDD<LabeledPoint> points = records.map(new Function<Tuple2<LongWritable, Text>, LabeledPoint>() {

            private final Log log = LogFactory.getLog(Function.class);
            /**
             * 
             */
            private static final long serialVersionUID = -1771348263117622186L;

            private final Pattern SPACE = Pattern.compile(" ");
            @Override
            public LabeledPoint call(Tuple2<LongWritable, Text> tuple)
                    throws Exception {
                if(tuple == null || tuple._1() == null || tuple._2() == null)
                    return null;
                double y = Double.parseDouble(Long.toString(tuple._1.get()));
                String[] tok = SPACE.split(tuple._2.toString());
                double[] x = new double[tok.length];
                for (int i = 0; i < tok.length; ++i) {
                    if(tok[i].isEmpty() == false)
                        x[i] = Double.parseDouble(tok[i]);
                }
                return new LabeledPoint(y, Vectors.dense(x));
            }

        });

        System.out.println("Number of records: " + points.count());
        LinearRegressionModel model = LinearRegressionWithSGD.train(points.rdd(), iterations);
        System.out.println("Model weights: " + model.weights());

        sc.stop();
    }
}

在我的项目中，我还必须决定哪个 Spark Worker 将连接到哪个数据源（类似于具有 1:1 关系的“匹配”过程）。因此，我创建了数量等于数据源数量的InputSplits，以便我的数据并行发送到SparkContext。我的问题如下：

1. 方法InpuSplit.getLength() 的结果是否影响RecordReader 返回的记录数？详细来说，我在测试运行中看到一个 Job 在只返回一条记录后结束，这只是因为我有一个从 CustomInputSplit.getLength() 函数返回的值 0。

2. 在 Apache Spark 上下文中，至少在执行 records.map() 函数调用时，worker 的数量是否等于我的 InputFormat 产生的 InputSplits 的数量？

上述问题 2 的答案对我的项目非常重要。

谢谢你， 尼克

Answer 1

是的。Spark 的sc.hadoopRDD 将创建一个具有InputFormat.getSplits 报告的分区数的RDD。

hadoopRDD 的最后一个参数称为minPartitions（代码中的numOfSplits）将用作InputFormat.getSplits 的提示。但是getSplits返回的数字不管是大是小都会被尊重。

查看代码https://github.com/apache/spark/blob/master/core/src/main/scala/org/apache/spark/rdd/HadoopRDD.scala#L168