用Pysp并行化HTTP请求

Question

我使用pyspark进行一些数据转换：如下所示：

df_systems_tree_users = sqlContext.read.format("jdbc") \
    .option("dbtable",
            "(select ID as SYSTEMUID,M_EXTERNAL_ID,metric,DATATRANSMISSIONFREQUENCY,MODEL,BRAND,BUILDING FROM SYSTEM  INNER JOIN SENSOR ON SYSTEM.ID=SENSOR.SYSTEMID WHERE LPWANOPERATOR='Objenious' AND M_EXTERNAL_ID!='None' )") \
    .option("url", "jdbc:phoenix:master1:2181:/hbase-unsecure") \
    .option("driver", "org.apache.phoenix.jdbc.PhoenixDriver") \
    .load()
objRDD = df_systems_tree_users.rdd.map(lambda x: getStatesAndUplink(x))

getStatesAndUplink方法使用请求python库对外部api执行httpget请求。在

我在4个执行器上运行这个spark作业，每个执行器有4个核心，但是运行30分钟需要很多时间。在

我的问题是如何优化我的代码，以高效的方式并行化我的http请求？在

Answer 1

如documentation中所述，必须指定4个参数：

• partitionColumn
• lowerBound
• upperBound
• numPartitions

只有有了这些选项Spark才会并行读取-在其他情况下，它将在一个线程中完成。在

编辑：存在Phoenix Spark plugin。它将并行读取而不指定这4个参数。在

编辑2：如果数据不平衡，方法getStatesAndUplink可能正在限制外部服务。它可能只是“卡住”在一个节点上处理