Spark同步数据到线上数据库的一个坑

背景

使用PySpark抽取数据同步到数据库时候（例如：clickhouse、mysql等数据库），使用RDD的foreachPartition、mapPartitions或mapPartitionsWithIndex等函数发现有的数据会执行同步多次，导致重复数据问题。

原因及解决方案

可以通过mapPartitionsWithIndex的函数打印partitionIndex，然后在日志查看的方式定位原因，综合分析可能由于以下三个原因导致：

• 1、代码中设置了spark推测执行开启spark.speculation=true（默认是false）导致，该参数的作用是：同时启动多个相同task（备份任务）处理相同的数据块，哪个完成的早，则采用哪个task的结果，同时终止其他的task。对于同步数据的场景该参数应该设置为spark.speculation=false

• 2、由于Spark的RDD的父依赖重算机制，下游子RDD运行中有可能导致上游未缓存的RDD重新计算，此时建议该同步数据算子执行后persist一下

• 3、executor的失败重试可能导致，由于是偶然性事件，因此建议同步完，增加需同步数据量和实际同步数据量相等校验。