Question

我正在使用Spark应用程序和Mongos控制台运行相同的聚合管道。在控制台上，数据是在眨眼之间获取的，只需要第二次使用“it”来检索所有预期的数据。然而，根据Spark WebUI，Spark应用程序大约需要两分钟。

如您所见，正在启动242个任务以获取结果。我不确定为什么启动如此大量的任务，而MongoDB聚合只返回了40个文档。看起来开销很高。

我在Mongos控制台上运行的查询：

db.data.aggregate([
   {
      $match:{
         signals:{
            $elemMatch:{
               signal:"SomeSignal",
               value:{
                  $gt:0,
                  $lte:100
               }
            }
         }
      }
   },
   {
      $group:{
         _id:"$root_document",
         firstTimestamp:{
            $min:"$ts"
         },
         lastTimestamp:{
            $max:"$ts"
         },
         count:{
            $sum:1
         }
      }
   }
])

Spark应用程序代码

    JavaMongoRDD<Document> rdd = MongoSpark.load(sc);

    JavaMongoRDD<Document> aggregatedRdd = rdd.withPipeline(Arrays.asList(
            Document.parse(
                    "{ $match: { signals: { $elemMatch: { signal: \"SomeSignal\", value: { $gt: 0, $lte: 100 } } } } }"),
            Document.parse(
                    "{ $group : { _id : \"$root_document\", firstTimestamp: { $min: \"$ts\"}, lastTimestamp: { $max: \"$ts\"} , count: { $sum: 1 } } }")));

    JavaRDD<String> outputRdd = aggregatedRdd.map(new Function<Document, String>() {
        @Override
        public String call(Document arg0) throws Exception {
            String output = String.format("%s;%s;%s;%s", arg0.get("_id").toString(),
                    arg0.get("firstTimestamp").toString(), arg0.get("lastTimestamp").toString(),
                    arg0.get("count").toString());
            return output;
        }
    });

    outputRdd.saveAsTextFile("/user/spark/output");

之后，我使用hdfs dfs -getmerge /user/spark/output/ output.csv并比较结果。

为什么聚合这么慢？调用withPipeline是否意味着减少需要转移到Spark的数据量？看起来它没有像Mongos控制台那样进行相同的聚合。在Mongos控制台上，它非常快速。我使用Spark 1.6.1和mongo-spark-connector_2.10版本1.1.0。

编辑：我想知道的另一件事是两个执行器被启动（因为我使用默认执行设置atm），但只有一个执行器完成所有工作。为什么第二执行者不做任何工作？

编辑2：当使用不同的聚合管道并调用.count()而不是saveAsTextFile(..)时，还会创建242个任务。这次将返回65.000份文件。

Answer 1

大量任务是由默认的Mongo Spark分区程序策略引起的。它在计算分区时忽略聚合管道，主要有两个原因：

降低了计算分区的成本
确保分片和非分片分区器的行为相同

但是，正如您所发现的那样，他们可以生成空分区，在您的情况下，这些分区很昂贵。

修复的选择可以是：

更改分区策略

用于选择替代分区程序以减少分区数。例如，PaginateByCount会将数据库拆分为一定数量的分区。

创建自己的分区程序 - 只需实现特征，您就可以应用聚合管道并对结果进行分区。有关示例，请参阅HalfwayPartitioner和custom partitioner test。
预先使用$ out将结果聚合到一个集合中并从那里读取。
使用coalesce(N)将分区合并在一起并减少分区数。
增加spark.mongodb.input.partitionerOptions.partitionSizeMB配置以生成更少的分区。

自定义分区程序应该提供最佳解决方案，但有一些方法可以更好地利用可用的默认分区程序。

如果您认为应该有一个使用聚合管道来计算分区的默认分区程序，那么请向MongoDB Spark Jira project添加一个票证。

MongoDB Spark Connector - 聚合很慢

1 个答案: