scala - 如何在 Spark 中获取 map task 的 ID？

Question

有没有办法在 Spark 中获取 map task 的 ID？例如，如果每个 map 任务调用一个用户定义函数，我能否从该用户定义函数中获取该 map 任务的 ID？

Answer 1

我不确定您所说的 map task ID 是什么意思，但您可以使用 TaskContext 访问任务信息:

import org.apache.spark.TaskContext

sc.parallelize(Seq[Int](), 4).mapPartitions(_ => {
    val ctx = TaskContext.get
    val stageId = ctx.stageId
    val partId = ctx.partitionId
    val hostname = java.net.InetAddress.getLocalHost().getHostName()
    Iterator(s"Stage: $stageId, Partition: $partId, Host: $hostname")
}).collect.foreach(println)

Spark 2.2.0 ( SPARK-18576 ) 中的 PySpark 添加了类似的功能:

from pyspark import TaskContext
import socket

def task_info(*_):
    ctx = TaskContext()
    return ["Stage: {0}, Partition: {1}, Host: {2}".format(
        ctx.stageId(), ctx.partitionId(), socket.gethostname())]

for x in sc.parallelize([], 4).mapPartitions(task_info).collect():
    print(x)