[英]Spark job using HDFS storage
我在 Google Cloud Dataproc 上运行了一个长期运行的 Spark Structured Streaming Job,它使用 Kafka 作为源和接收器。 我还将我的检查点保存在 Google Cloud Storage 中。
运行一周后,我注意到它正在稳步消耗所有 100 GB 磁盘存储,将文件保存到/hadoop/dfs/data/current/BP-315396706-10.128.0.26-1568586969675/current/finalized/...
.
我的理解是我的 Spark 作业不应该对本地磁盘存储有任何依赖。
我在这里完全误解了吗?
我像这样提交了我的工作:
(cd app/src/packages/ && zip -r mypkg.zip mypkg/ ) && mv app/src/packages/mypkg.zip build
gcloud dataproc jobs submit pyspark \
--cluster cluster-26aa \
--region us-central1 \
--properties ^#^spark.jars.packages=org.apache.spark:spark-streaming-kafka-0-10_2.11:2.4.3,org.apache.spark:spark-sql-kafka-0-10_2.11:2.4.3 \
--py-files build/mypkg.zip \
--max-failures-per-hour 10 \
--verbosity info \
app/src/explode_rmq.py
这些是我工作的相关部分:
资源:
spark = SparkSession \
.builder \
.appName("MyApp") \
.getOrCreate()
spark.sparkContext.setLogLevel("WARN")
spark.sparkContext.addPyFile('mypkg.zip')
df = spark \
.readStream \
.format("kafka") \
.options(**config.KAFKA_PARAMS) \
.option("subscribe", "lsport-rmq-12") \
.option("startingOffsets", "earliest") \
.load() \
.select(f.col('key').cast(t.StringType()), f.col('value').cast(t.StringType()))
下沉:
sink_kafka_q = sink_df \
.writeStream \
.format("kafka") \
.options(**config.KAFKA_PARAMS) \
.option("topic", "my_topic") \
.option("checkpointLocation", "gs://my-bucket-data/checkpoints/my_topic") \
.start()
如果 memory 不够用,Spark 会将信息持久化到本地磁盘。 您可以像这样禁用磁盘上的持久性:
df.persist(org.apache.spark.storage.StorageLevel.MEMORY_ONLY)
或者你可以像这样尝试序列化信息占用更少的memory
df.persist(org.apache.spark.storage.StorageLevel.MEMORY_ONLY_SER)
读取序列化数据将占用更多 CPU。
每个 dataframe 都有其独特的序列化级别。
更多信息: https://spark.apache.org/docs/latest/rdd-programming-guide.html#rdd-persistence
你能不能把 SSH 放到主节点上,运行下面的命令来找出谁在消耗 HDFS 空间?
hdfs df -du -h /
我用一个简单的 Spark Pi 作业进行了测试,
在运行作业之前:
$ hdfs dfs -du /
34 /hadoop
0 /tmp
2107947 /user
工作完成后:
$ hdfs dfs -du /user/
0 /user/hbase
0 /user/hdfs
0 /user/hive
0 /user/mapred
0 /user/pig
0 /user/root
2107947 /user/spark
0 /user/yarn
0 /user/zookeeper
$ hdfs dfs -du /user/spark/
2107947 /user/spark/eventlog
似乎它被 Spark 事件日志消耗,请参阅spark.eventLog.dir 。 您可以考虑使用spark.eventLog.compress=true
压缩事件日志或使用spark.eventLog.enabled=false
禁用它
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.