Question

我正在尝试在运行spark作业时使用外部本机库（.so文件）。首先，我使用--files参数提交文件。

在创建System.load(SparkFiles.get(libname))之后加载我正在使用SparkContext的库（以确保填充SparkFiles）。问题是该库仅由驱动程序节点加载，并且当任务尝试访问我正在获取的本机方法时

WARN TaskSetManager: Lost task 0.0 in stage 2.0 (TID 2, 13.0.0.206, executor 0): java.lang.UnsatisfiedLinkError

对我来说唯一有用的是在运行spark应用程序之前将.so文件复制到所有工作程序，并创建一个Scala对象，该对象将在每个任务之前加载库（可以使用{{1进行优化） }}）。

我尝试使用

mapPartitions

试图避免这种情况，但没有成功。

现在，因为我正在使用EMR来运行spark作业，而不是一致的集群，我想避免在运行作业之前将文件复制到所有节点。

有什么建议吗？

Answer 1

解决方案比我想象的要简单 - 我需要的是每个JVM加载一次库

基本上我需要的是使用--files添加库文件并创建一个Loader对象：

object LibraryLoader {
    lazy val load = System.load(SparkFiles.get("libname"))
}

并在每项任务（map，filter等）之前使用它。）

例如

rdd.map { x =>
    LibraryLoader.load
    // do some stuff with x
}

懒惰将确保在填充SparkFiles之后创建对象，并且还确保每个JVM进行单一评估。