- iOS/Objective-C 元类和类别
- objective-c - -1001 错误,当 NSURLSession 通过 httpproxy 和/etc/hosts
- java - 使用网络类获取 url 地址
- ios - 推送通知中不播放声音
我正在尝试使用 Apache Spark 来处理我的大型(约 230k 个条目)cassandra 数据集,但我不断遇到各种错误。但是,在约 200 个条目的数据集上运行时,我可以成功运行应用程序。我有一个包含 3 个节点的 spark 设置,其中有 1 个主节点和 2 个工作节点,这 2 个工作节点还安装了一个 cassandra 集群,其数据索引的复制因子为 2。我的 2 个 spark 工作节点在 Web 界面上显示了 2.4 和 2.8 GB 的内存,并且我在运行应用程序时将 spark.executor.memory
设置为 2409,以获得 4.7 GB 的组合内存。这是我的 WebUI 主页
其中一个任务的环境页面
在这个阶段,我只是尝试使用 spark 处理存储在 cassandra 中的数据。这是我在 Java 中用来执行此操作的基本代码
SparkConf conf = new SparkConf(true)
.set("spark.cassandra.connection.host", CASSANDRA_HOST)
.setJars(jars);
SparkContext sc = new SparkContext(HOST, APP_NAME, conf);
SparkContextJavaFunctions context = javaFunctions(sc);
CassandraJavaRDD<CassandraRow> rdd = context.cassandraTable(CASSANDRA_KEYSPACE, CASSANDRA_COLUMN_FAMILY);
System.out.println(rdd.count());
要成功运行,在小型数据集(200 个条目)上,事件界面看起来像这样
但是当我在大型数据集上运行相同的东西时(即我只更改 CASSANDRA_COLUMN_FAMILY
),作业永远不会在终端内终止,日志看起来像这样
大约 2 分钟后,执行程序的 stderr 看起来像这样
大约 7 分钟后,我得到了
线程“main”中的异常 java.lang.OutOfMemoryError:超出 GC 开销限制
在我的终端中,我必须手动终止 SparkSubmit
进程。然而,大型数据集是从一个仅占用 22 MB 的二进制文件中索引的,并且执行 nodetool status
,我可以看到我的两个 cassandra 节点中只存储了大约 115 MB 的数据。我也曾尝试在我的数据集上使用 Spark SQL,但也得到了类似的结果。对于 Transformation-Action 程序和使用 Spark SQL 的程序,我的设置哪里出错了,我应该怎么做才能成功处理我的数据集。
我已经尝试过以下方法
使用 -Xms1G -Xmx1G
增加内存,但程序失败并出现异常提示我应该改为设置 spark.executor.memory
,我有。
使用 spark.cassandra.input.split.size
,它没有说明它不是有效选项,类似的选项是 spark.cassandra.input.split .size_in_mb
,我设置为 1,没有效果。
编辑
基于 this回答,我也试过以下方法:
将 spark.storage.memoryFraction
设置为 0
不将 spark.storage.memoryFraction
设置为零,并将 persist
与 MEMORY_ONLY
、MEMORY_ONLY_SER
一起使用、MEMORY_AND_DISK
和 MEMORY_AND_DISK_SER
。
版本:
Spark:1.4.0
Cassandra :2.1.6
spark-cassandra-连接器:1.4.0-M1
最佳答案
我认为最新的 spark-cassandra-connector 有问题。参数 spark.cassandra.input.split.size_in_mb
应该有默认值 64 MB,在代码中被解释为 64 字节。这样会导致创建的partition过多,spark无法调度。尝试将 conf 值设置为
spark.cassandra.input.split.size_in_mb=67108864
关于java - Apache Spark 无法处理大型 Cassandra 列族,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/31003667/
目前正在学习 Spark 的类(class)并了解到执行者的定义: Each executor will hold a chunk of the data to be processed. Thisc
阅读了有关 http://spark.apache.org/docs/0.8.0/cluster-overview.html 的一些文档后,我有一些问题想要澄清。 以 Spark 为例: JavaSp
Spark核心中的调度器与以下Spark Stack(来自Learning Spark:Lightning-Fast Big Data Analysis一书)中的Standalone Schedule
我想在 spark-submit 或 start 处设置 spark.eventLog.enabled 和 spark.eventLog.dir -all level -- 不要求在 scala/ja
我有来自 SQL Server 的数据,需要在 Apache Spark (Databricks) 中进行操作。 在 SQL Server 中,此表的三个键列使用区分大小写的 COLLATION 选项
所有这些有什么区别和用途? spark.local.ip spark.driver.host spark.driver.bind地址 spark.driver.hostname 如何将机器修复为 Sp
我有大约 10 个 Spark 作业,每个作业都会进行一些转换并将数据加载到数据库中。必须为每个作业单独打开和关闭 Spark session ,每次初始化都会耗费时间。 是否可以只创建一次 Spar
/Downloads/spark-3.0.1-bin-hadoop2.7/bin$ ./spark-shell 20/09/23 10:58:45 WARN Utils: Your hostname,
我是 Spark 的完全新手,并且刚刚开始对此进行更多探索。我选择了更长的路径,不使用任何 CDH 发行版安装 hadoop,并且我从 Apache 网站安装了 Hadoop 并自己设置配置文件以了解
TL; 博士 Spark UI 显示的内核和内存数量与我在使用 spark-submit 时要求的数量不同 更多细节: 我在独立模式下运行 Spark 1.6。 当我运行 spark-submit 时
spark-submit 上的文档说明如下: The spark-submit script in Spark’s bin directory is used to launch applicatio
关闭。这个问题是opinion-based .它目前不接受答案。 想改善这个问题吗?更新问题,以便可以通过 editing this post 用事实和引文回答问题. 6 个月前关闭。 Improve
我想了解接收器如何在 Spark Streaming 中工作。根据我的理解,将有一个接收器任务在执行器中运行,用于收集数据并保存为 RDD。当调用 start() 时,接收器开始读取。需要澄清以下内容
有没有办法在不同线程中使用相同的 spark 上下文并行运行多个 spark 作业? 我尝试使用 Vertx 3,但看起来每个作业都在排队并按顺序启动。 如何让它在相同的 spark 上下文中同时运行
我们有一个 Spark 流应用程序,这是一项长期运行的任务。事件日志指向 hdfs 位置 hdfs://spark-history,当我们开始流式传输应用程序时正在其中创建 application_X
我们正在尝试找到一种加载 Spark (2.x) ML 训练模型的方法,以便根据请求(通过 REST 接口(interface))我们可以查询它并获得预测,例如http://predictor.com
Spark newb 问题:我在 spark-sql 中进行完全相同的 Spark SQL 查询并在 spark-shell . spark-shell版本大约需要 10 秒,而 spark-sql版
我正在使用 Spark 流。根据 Spark 编程指南(参见 http://spark.apache.org/docs/latest/programming-guide.html#accumulato
我正在使用 CDH 5.2。我可以使用 spark-shell 运行命令。 如何运行包含spark命令的文件(file.spark)。 有没有办法在不使用 sbt 的情况下在 CDH 5.2 中运行/
我使用 Elasticsearch 已经有一段时间了,但使用 Cassandra 的经验很少。 现在,我有一个项目想要使用 Spark 来处理数据,但我需要决定是否应该使用 Cassandra 还是
我是一名优秀的程序员,十分优秀!