[英]spark (java) - Too many open files
我正在尝试在 spark2 中运行一个批处理作业,它将一个巨大的列表作为输入并在列表上迭代以执行处理。 该程序对列表的大约 8 000 条记录执行良好,然后中断给出异常:
WARN Lost task 0.0 in stage 421079.0 (TID 996338, acusnldlenhww4.cloudapp.net, executor 1): java.io.FileNotFoundException: /data/1/hadoop/yarn/local/usercache/A2159537-MSP01/appcache/application_1497532405817_0072/blockmgr-73dc563c-8ea5-4f2d-adfe-6c60cf3e3968/0d/shuffle_145960_0_0.index.cfb6d5ea-8c7b-41a1-acc3-2c840e7f8998 (Too many open files)
at java.io.FileOutputStream.open0(Native Method)
at java.io.FileOutputStream.open(FileOutputStream.java:270)
at java.io.FileOutputStream.<init>(FileOutputStream.java:213)
at java.io.FileOutputStream.<init>(FileOutputStream.java:162)
at org.apache.spark.shuffle.IndexShuffleBlockResolver.writeIndexFileAndCommit(IndexShuffleBlockResolver.scala:144)
at org.apache.spark.shuffle.sort.BypassMergeSortShuffleWriter.write(BypassMergeSortShuffleWriter.java:128)
at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:96)
at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:53)
at org.apache.spark.scheduler.Task.run(Task.scala:99)
at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:322)
at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142)
at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
at java.lang.Thread.run(Thread.java:745)
(org.apache.spark.scheduler.TaskSetManager)
neo4j 数据库用作输入。 我正在从 neo4j 读取 300k 个节点作为输入,并在输入 rdd 上执行 for 循环。
尝试设置spark.shuffle.consolidateFiles
到true
的SparkConf。 但这没有用。
如果可能,增加ulimit
- 以克服这一点。
减少每个节点使用的减速器或核心的数量。 但它对你的工作有一些性能影响。
一般来说,如果您的集群具有:
assigned cores = `n`;
你运行一个工作:
reducers = `k`
然后 Spark 将并行打开n * k
文件并开始写入。
默认 ulimit 为: 1024
,这对于大型应用程序来说太低了。
使用ulimit -a
查看当前打开文件的最大数量。
我们可以临时更改打开文件的数量; 通过更新系统配置文件。
请参阅这些文件以获取相同信息:
/etc/sysctl.conf
/etc/security/limits.conf
当我在同一个流上应用两个foreachRDD()
时,我遇到了同样的问题。 第一种方法将事件发布到 Kafka 主题,第二种方法将输出写入 HDFS。
stream.foreachRDD(rdd => {
val spark = SparkSession.builder.config(rdd.sparkContext.getConf).getOrCreate()
val batchDF = spark.createDataFrame(rdd, batchOutputSchema)
// Publish to kafka
batchDF
.write.format("kafka")
.option("kafka.bootstrap.servers", bootstrapServer)
.option("topic", "topic_name")
.save()
})
stream.foreachRDD(rdd => {
val spark = SparkSession.builder.config(rdd.sparkContext.getConf).getOrCreate()
val batchDF = spark.createDataFrame(rdd, batchOutputSchema)
// Write the output into HDFS
batchDF
.write.mode("append")
.parquet("/path")
})
我在同一个foreachRDD()
组合了两个输出,并在 RDD 上应用了cache()
操作。
stream.foreachRDD(rdd => {
val spark = SparkSession.builder.config(rdd.sparkContext.getConf).getOrCreate()
val batchDF = spark.createDataFrame(rdd, batchOutputSchema).cache()
// Write into HDFS
batchDF
.write.mode("append")
.parquet("/path")
// Publish to Kafka
batchDF
.write.format("kafka")
.option("kafka.bootstrap.servers", bootstrapServer)
.option("topic", "topic_name")
.save()
})
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.