通过 JDBC 从 Spark 中提取表数据时出现 PostgreSQL 错误

Question

我的 Spark 到 HAWQ JDBC 连接正常，但现在两天后从表中提取数据时出现问题。 Spark 配置没有任何变化...

简单的步骤 #1 - 从 HAWQ 中的一个简单表打印模式 我可以创建一个 SQLContext DataFrame 并连接到 HAWQ 数据库:

df = sqlContext.read.format('jdbc').options(url=db_url, dbtable=db_table).load()
df.printSchema()

打印:

root
 |-- product_no: integer (nullable = true)
 |-- name: string (nullable = true)
 |-- price: decimal (nullable = true)

但是当实际尝试提取数据时:

df.select("product_no").show()

弹出这些错误...

org.apache.spark.SparkException: Job aborted due to stage failure: Task 0 in stage 0.0 failed 1 times, most recent failure: Lost task 0.0 in stage 0.0 (TID 0, localhost): 
org.postgresql.util.PSQLException: ERROR: could not write 3124 bytes to temporary file: No space left on device (buffile.c:408)  (seg33 adnpivhdwapda04.gphd.local:40003 pid=544124) (cdbdisp.c:1571)
    at org.postgresql.core.v3.QueryExecutorImpl.receiveErrorResponse(QueryExecutorImpl.java:2182)
    at org.postgresql.core.v3.QueryExecutorImpl.processResults(QueryExecutorImpl.java:1911)
    at org.postgresql.core.v3.QueryExecutorImpl.execute(QueryExecutorImpl.java:173)
    at org.postgresql.jdbc2.AbstractJdbc2Statement.execute(AbstractJdbc2Statement.java:615)
    at org.postgresql.jdbc2.AbstractJdbc2Statement.executeWithFlags(AbstractJdbc2Statement.java:465)
    at org.postgresql.jdbc2.AbstractJdbc2Statement.executeQuery(AbstractJdbc2Statement.java:350)
    at org.apache.spark.sql.jdbc.JDBCRDD$$anon$1.<init>(JDBCRDD.scala:372)
    at org.apache.spark.sql.jdbc.JDBCRDD.compute(JDBCRDD.scala:350)
    at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:277)
    at org.apache.spark.rdd.RDD.iterator(RDD.scala:244)
    at org.apache.spark.rdd.MapPartitionsRDD.compute(MapPartitionsRDD.scala:35)
    at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:277)
    at org.apache.spark.rdd.RDD.iterator(RDD.scala:244)
    at org.apache.spark.rdd.MapPartitionsRDD.compute(MapPartitionsRDD.scala:35)
    at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:277)
    at org.apache.spark.rdd.RDD.iterator(RDD.scala:244)
    at org.apache.spark.rdd.MapPartitionsRDD.compute(MapPartitionsRDD.scala:35)
    at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:277)
    at org.apache.spark.rdd.RDD.iterator(RDD.scala:244)
    at org.apache.spark.api.python.PythonRDD$WriterThread$$anonfun$run$3.apply(PythonRDD.scala:248)
    at org.apache.spark.util.Utils$.logUncaughtExceptions(Utils.scala:1772)
    at org.apache.spark.api.python.PythonRDD$WriterThread.run(PythonRDD.scala:208)

我已经尝试过的事情(但如果有更精确的步骤，我愿意再试一次):

• 在 HAWQ 主节点上尝试了“df -i”，但只有 1% 的利用率
• 在 HAWQ 数据库上尝试了 dbvacuum(不推荐使用 VACUUM ALL 在 HAWQ 上)
• 尝试创建这个小型新数据库(使用单个表，3 列)，运气不好

这不可能是真正的内存力不足，那么是什么地方和什么原因导致的呢？？

Answer 1

could not write 3124 bytes to temporary file: No space left on device

用于临时文件的卷已满。然后临时文件将在错误时被删除，因此您实际上不会在 df 中看到完整卷。

在大多数 Linux 系统上，这可能是一个 tempfs，如 /tmp。如果是这样，它由虚拟内存支持。要确认，请检查 mount 并检查 PostgreSQL 的 temp_tablespaces 的设置(SHOW temp_tablespaces)。如果它是空白的，PostgreSQL 将使用默认的表空间，它不太可能是 tempfs，但如果设置了它，请检查该表空间在哪里。如果它在 tempfs 上，您可能需要移动它。

它也可能以某种方式填满了主表空间，但如果目前它的利用率仅为 1%，则这种情况极不可能发生。也许大规模失控的递归 CTE 可以做到这一点，但这不太可能。

配额管理也是一种可能。也许配置了文件系统配额？