Question

我想控制Spark RDD中每个阶段正在处理的并发分区数。 .repartition(...)不是解决方案，因为它只修改了一个阶段中的分区总数，而不是正在处理的分区数。

通常，您可以使用--executor-cores和--num-executors参数在一开始就限制并发分区的数量。这并不准确，因为处理阶段可以交错等等。

我想要完成的主要事情是来自具有某些资源限制（并发连接）的数据库的dataload进程 - 但我不希望这些数据库资源限制决定我的其他Spark进程或RDD的并发性。我也不想在流程开始时强制使用非常大的分区，这些分区必须进一步拆分和重新分配。

期待这似乎是一件合理的事情，但乍一看不是Spark API中可以实现的东西。

示例（一些伪代码）

rdd = pseudoReadFromJDBC(partitions = 500,parallelism=10)
  .repartition(100)
  .parallelism(50)
  .operatorOnRDD();

所以在这种情况下，在第一阶段，我会将从500个查询中检索到的数据拆分为500个较小的数据集。但是，我会限制Spark只允许同时运行它的10个线程，所以我最多只能同时打开10个JDBC连接。其他分区只会排队。

然后在第二阶段，我可能会重新分区，但更重要的是，我想选择更高程度的实际并行性，因为我不再受数据库限制，允许有限数量的同时连接。

这就是我在每个阶段改变它的意思。

Answer 1

有一个参数spark.default.parallelism。您可以尝试更改此值。