apache/pinot

[Segment ingestion job] Multi-threaded segment copy from staging dir to final destination

Open

#7510 aperta il 4 ott 2021

Vedi su GitHub
 (3 commenti) (0 reazioni) (0 assegnatari)Java (1234 fork)batch import
enhancementhelp wantedingestion

Metriche repository

Star
 (4937 star)
Metriche merge PR
 (Merge medio 6g 7h) (186 PR mergiate in 30 g)

Descrizione

SparkIngestionJob uses single threaded copy for segments copy from staging dir to final deep store dir(e.g. S3): https://github.com/apache/pinot/blob/7ce8b756dff2b153151517afd552759e44d46c75/pinot-plugins/pinot-batch-ingestion/pinot-batch-ingestion-spark/src/main/java/org/apache/pinot/plugin/ingestion/batch/spark/SparkSegmentGenerationJobRunner.java#L345

For a few hundred segments being uploaded, it can take forever. In this case, we should consider generating a list of source and destination paths for segment copy then use RDD to parallel this job.

Guida contributor

Direzione di ricerca
Esamina il codice in SparkSegmentGenerationJobRunner.java per comprendere la logica corrente di copia dei segmenti a singolo thread. Crea un elenco di percorsi di origine e destinazione, quindi utilizza Spark RDD per parallelizzare le operazioni di copia. Considera l'uso di map o foreach su un RDD di coppie di percorsi. Assicura una corretta gestione degli errori e registrazione dei log. Osserva i modelli di utilizzo di Spark esistenti nella codebase.
Tech stack
java
Dominio
backenddata
Tipo issue
Funzionalità
DifficoltàQuanto dovrebbe essere impegnativa per un nuovo contributor.
2
Tempo stimatoTempo stimato per completare e verificare uno scope piccolo.
Mezza giornata
Stato attivitàQuanto è probabile che la issue sia ancora attiva e reviewable.
Attiva
ChiarezzaQuanto chiaramente la issue descrive problema, scope e risultato atteso.
Chiara
Prerequisiti
JavaSparkPinot
Adatta ai principiantiQuanto la issue è adatta a contributor alla prima esperienza.
70