scala - Spark 作业完成但应用程序需要时间关闭

Question

使用 Scala 运行 spark 作业，正如预期的那样，所有作业都按时完成，但不知何故，一些 INFO 日志在作业停止前打印了 20-25 分钟。

发布一些 UI 屏幕截图可以帮助您解决问题。

以下是 4 个阶段所用的时间:

以下是连续作业 ID 之间的时间

我不明白为什么在两个工作 ID 之间花费了这么多时间。

以下是我的代码片段:

    val sc = new SparkContext(conf)
for (x <- 0 to 10) {
  val zz = getFilesList(lin);
  val links = zz._1
  val path = zz._2
  lin = zz._3
  val z = sc.textFile(links.mkString(",")).map(t => t.split('\t')).filter(t => t(4) == "xx" && t(6) == "x").map(t => titan2(t)).filter(t => t.length > 35).map(t => ((t(34)), (t(35), t(5), t(32), t(33))))
  val way_nodes = sc.textFile(way_source).map(t => t.split(";")).map(t => (t(0), t(1)));
  val t = z.join(way_nodes).map(t => (t._2._1._2, Array(Array(t._2._1._2, t._2._1._3, t._2._1._4, t._2._1._1, t._2._2)))).reduceByKey((t, y) => t ++ y).map(t => process(t)).flatMap(t => t).combineByKey(createTimeCombiner, timeCombiner, timeMerger).map(averagingFunction).map(t => t._1 + "," + t._2)
  t.saveAsTextFile(path)
}
sc.stop()

更多后续: spark-1.4.1 saveAsTextFile to S3 is very slow on emr-4.0.0

Answer 1

当我发表评论时，我建议使用 spark-csv 包而不是 sc.saveAsTextFile并且使用该包直接写入 s3 没有问题:)

我不知道你是使用 s3 还是 s3n，但也许可以尝试切换。我在 Spark 1.5.2 (EMR-4.2) 上使用 s3a 时遇到过问题，其中写入一直超时并切换回 s3 解决了问题，因此值得一试。

应该加快写入 s3 的其他一些事情是使用 DirectOutputCommiter

conf.set("spark.hadoop.mapred.output.committer.class","com.appsflyer.spark.DirectOutputCommitter")

并禁用 _SUCCESS 文件的生成:

sc.hadoopConfiguration.set("mapreduce.fileoutputcommitter.marksuccessfuljobs", "false")

请注意，必须在 SparkContext 的 hadoop 配置上设置禁用 _SUCCESS 文件。而不是在 SparkConf .

我希望这有帮助。