Spark RDDの基本的な動作の確認をしてみた

Apache Sparkは、大規模なデータ処理を分散環境で効率的に行うためのフレームワークであり、データ処理の基本となるのがRDD（Resilient Distributed Dataset)です。この記事では、PySparkを使った簡単な実践例を通じて、RDDのパーティションとSparkの並列処理について観察します。

• 対象読者：Apache Spark初学者
• 前提知識：python、Sparkのアーキテクチャ

PySparkを使った簡単な実践例

Azure Databricksのノートブック機能を使用して、以下の2つの処理を実際に実行し、Apache Sparkの動作を観察します。

• RDDの生成とパーティション分割
• データの並列処理

前提条件

この記事で使用しているコードは、Azure DatabricksのNotebook環境で実行しています。
※コンピュートリソースのアクセスモードについて、標準（旧「共有済み」）ではSparkContextの取得ができないため、専用 (旧称: シングルユーザー) を使用しています。

RDDの生成とパーティション分割

ここでは、1 ~ 10 までの数値を含むRDDを生成し、4つのパーティションの分割します。このとき、各パーティションにどのデータが格納されたか、分散具合を観察します。

実行したPySparkのコード1

python

# SparkContextを取得
sc = spark.sparkContext

# range(1, 11) は、1から10までの数値を生成
# sc.parallelize() は、その数値をRDDとして分散
numbers_rdd = sc.parallelize(range(1, 11),4)
# numbers_rdd = sc.parallelize(range(1, 11),8)

# パーティション数を確認
num_partitions = numbers_rdd.getNumPartitions()
print(f"パーティション数: {num_partitions}")

# 各パーティションのデータを確認
# glom() は各パーティションのデータを1つのリストとしてまとめて返す操作
# collect() はその結果を全てドライバーに収集して、ローカルで見ることができる
partitions_data = numbers_rdd.glom().collect()

# enumerate() でパーティションインデックスとデータを取得
for idx, partition in enumerate(partitions_data):
    # 各パーティションの内容を表示
    print(f"パーティション {idx}: {partition}")

実行結果1

実行結果を見ると、1 ~ 10 のデータが4つのパーティションに分散されていることが分かります。

また、parallelizeメソッドの第二引数に8を指定すると、8つのパーティション数にデータを分散させることができます。

実行結果2

2つの実行結果から、データができるだけ均等にパーティションに分散されて格納されていることが分かります。

データの並列処理

ここでは、8つのパーティションに格納されたデータの値を2倍する変換処理を行い、並列処理が行われているかSpark UIで確認します。

実行したPySparkのコード2

python

sc = spark.sparkContext

numbers_rdd = sc.parallelize(range(1, 11),8)

num_partitions = numbers_rdd.getNumPartitions()
print(f"パーティション数: {num_partitions}")

partitions_data = numbers_rdd.glom().collect()

for idx, partition in enumerate(partitions_data):
    print(f"変換前 Partition {idx}: {partition}")

# 各要素に対して2倍の処理を行うmap操作を適用
numbers_rdd = numbers_rdd.map(lambda x: x * 2)

partitions_data = numbers_rdd.glom().collect()
# 各パーティションのデータを再確認
for idx, partition in enumerate(partitions_data):
    print(f"変換後 Partition {idx}: {partition}")

実行結果3

実行結果3をみると、各パーティションのデータが変換前と変換後で2倍されたことが分かります。
さらに、Spark UIを見ることで、この処理がどのように処理されたかを確認できます。

上図は、Spark UIのjobタブの一部ですが、Job Id列には、0と1の2つのジョブがあり、Tasks列には8つのタスクが含まれていることが確認できます。このことから、それぞれ8つのタスクを含んだ2つのジョブが実行されていたことが分かります。

これは、実行したPySparkのコード2において、8つのパーティションに対し、2つのアクションを実行しているため、それぞれ8つのタスクを含んだ2つのジョブが生成されたと考えられます。
2つのアクションとは、collect()が該当します。Sparkは遅延評価（Lazy Evaluation）を採用しており、データに対する処理は、アクションが呼ばれたときにはじめて実行されるので、2つのアクションに対して、2つのジョブが計画されます。
また、データはパーティションごとに処理されますが、ここでは8つのパーティションを生成しているので、それぞれのジョブに対して8つのタスクが内包されています。

次に、これらのタスクがどのように実行されたかを見ていきます。

上図は、Spark UIのexecutorタブの一部ですが、Executor ID列には、0と1の2つのExecutorが稼働しており、Cores列には、それぞれ4つのコアを持っていることが分かります。
また、Total Tasks列を見ると、それぞれ8つずつ処理を実行していたことが分かります。

Sparkが実行できる並列度の最大値はExecutorのコア数によりますが、筆者の構成では8つのコアが使用できるので、最大8並列で処理が実行できることが分かります。また、一つのジョブに対し8つのタスクが含まれていたので、8つのコアに対して、8つのタスクが同時に実行され、8並列で処理が行われると考えられます。

実際に、8並列で処理が行われていたかをjobタブに戻って確認します。
先ほどのSpark UIのjobタブの一部のDescription列の青字のリンクをクリックすると、ジョブの実行計画（DAG Visualization）を見ることができます。

上図では、job Id 0の実行計画（DAG Visualization）を表していますが、さらに、実行計画（DAG Visualization）の図形をクリックすることで、ジョブに内包されたタスクの挙動を詳しく見ることができます。

上図のExecutor ID列とLaunch Time列を見ると、8つのタスクが2つのExecutorで同時に実行されていたことが分かります。
よって、8並列で処理が行われていたことが分かります。

考察

PySparkを使った簡単な実践例では、Apache Sparkを使用して、RDDのパーティション分割と並列処理の挙動を確認しました。具体的には、1〜10までの数値を含むRDDを生成し、指定したのパーティションに分割した後、そのパーティションにデータがどのように分散されるかを観察しました。また、パーティションごとに簡単なデータ変換を行い、何並列で処理が行われたかをSpark UIで確認しました。
これらの観察から、以下の考察を得ることができました。

• sc.parallelize() は、パーティションにできるだけ偏りがないようにデータを格納する
• 遅延評価によって、アクションの数だけジョブが生成される
• パーティションごとにタスクが割り当てられるので、タスク数はパーティション数に一致する
• Sparkの並列度はExecutorのコア数によって決定される
  ※ただし、これらの考察は簡単な処理に基づいており、異なる処理内容や、リソースが十分でない場合には、成り立たない場合があります。

終わりに

本記事では、小規模なデータを用いて、RDDのデータの管理やSparkの並列処理についてSpark UIを用いて調査しました。
今後も、本記事のようなSpark機能の簡単な実験をまとめた記事を発信予定です。
お楽しみに！

関連記事