apache-spark - 使用 HDFS 存储的 Spark 作业

Question

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。我还将检查点保存在 Google Cloud Storage 中。

运行一周后，我注意到它一直在消耗所有 100 GB 磁盘存储空间，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:

来源:

 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()

Answer 1

如果内存不够，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)

或者你可以尝试像这样序列化信息来占用更少的内存

df.persist(org.apache.spark.storage.StorageLevel.MEMORY_ONLY_SER)

读取序列化数据将更加占用 CPU。

每个数据帧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