apache-spark - PySpark:全面清洁检查站

Question

根据documentation可以告诉Spark跟踪“超出范围”的检查点-不再需要的检查点-并从磁盘中清除它们。

SparkSession.builder
  ...
  .config("spark.cleaner.referenceTracking.cleanCheckpoints", "true")
  .getOrCreate()

显然是这样做的，但是问题是，从未删除最后一个检查点的rdds。

问题

我缺少执行所有清理的任何配置吗？

如果没有:有什么方法可以获取为特定应用程序创建的临时文件夹的名称，以便可以通过编程方式将其删除？ IE。从0c514fb8-498c-4455-b147-aff242bd7381获取SparkContext的方法与获取applicationId

的方法相同

Answer 1

我知道它的老问题，但是最近我正在探索checkpoint并遇到类似的问题。希望分享调查结果。

Question :Is there any configuration I am missing to perform all cleanse?

设置 spark.cleaner.referenceTracking.cleanCheckpoints=true有时会起作用，但很难依靠它。官方文件说，通过设置此属性

clean checkpoint files if the reference is out of scope

我不知道这是什么意思，因为我的理解是，一旦spark session /上下文停止，就应该清理它。

但是，我找到了以下问题的答案

If there isn't: Is there any way to get the name of the temporary folder created for a particular application so I can programatically delete it? I.e. Get 0c514fb8-498c-4455-b147-aff242bd7381 from SparkContext the same way you can get the applicationId

是，我们可以得到 checkpointed目录，如下所示:

Scala:

//Set directory
scala> spark.sparkContext.setCheckpointDir("hdfs:///tmp/checkpoint/")

scala> spark.sparkContext.getCheckpointDir.get
res3: String = hdfs://<name-node:port>/tmp/checkpoint/625034b3-c6f1-4ab2-9524-e48dfde589c3

//It gives String so we can use org.apache.hadoop.fs to delete path 

PySpark:

// Set directory
>>> spark.sparkContext.setCheckpointDir('hdfs:///tmp/checkpoint')
>>> t = sc._jsc.sc().getCheckpointDir().get()
>>> t 
u'hdfs://<name-node:port>/tmp/checkpoint/dc99b595-f8fa-4a08-a109-23643e2325ca'

// notice 'u' at the start which means It returns unicode object
// Below are the steps to get hadoop file system object and delete

>>> fs = sc._jvm.org.apache.hadoop.fs.FileSystem.get(sc._jsc.hadoopConfiguration())
fs.exists(sc._jvm.org.apache.hadoop.fs.Path(str(t)))
True

>>> fs.delete(sc._jvm.org.apache.hadoop.fs.Path(str(t)))
True