嗨我想运行一个长的sparkjob往往因StackoverflowError失败。作业读取parquetfile并在foreach循环中创建一个rdd。在做了一些研究之后,我认为为每个rdd创建一个检查点将帮助我解决我的记忆问题。 (我尝试了不同的内存,开销内存,并行操作,重新分区,并找到了工作中最有效的设置,但是有时它仍然会因为我们集群上的负载而失败。)rdd.checkpoint跳过火花作业
现在来我真正的问题。我试图创建检查点,首先读取创建RDD的parquet,然后缓存它,运行检查点函数,然后首先调用操作以使检查点发生。在我指定的路径中没有创建检查点,并且它表示跳过舞台的YARN UI。谁能帮我理解这个问题:)
ctx.getSparkContext().setCheckpointDir("/tmp/checkpoints");
public static void writeHhidToCouchbase(DataFrameContext ctx, List<String> filePathsStrings) {
filePathsStrings
.forEach(filePath -> {
JavaPairRDD<String, String> rdd =
UidHhidPerDay.getParquetFromPath(ctx, filePath);
rdd.cache();
rdd.checkpoint();
rdd.first();
rdd.foreachPartition(p -> {
CrumbsClient client = getClient();
p.forEachRemaining(uids -> {
Crumbs crumbs = client.getAsync(uids._1)
.timeout(10, TimeUnit.SECONDS)
.toBlocking()
.first();
String hHid = uids._2;
if (hHid != null) {
crumbs.getOrCreateSingletonCrumb(HouseholdCrumb.class).setHouseholdId(hHid);
client.putSync(crumbs);
}
});
client.shutdown();
});
});
}
检查点是在第一次迭代创建一次,但从来没有一次。 KR
不确定是否相关,但它看起来像调用'rdd.checkpoint()'是多余的,rdd没有父谱系截断。因此,这对内存使用不起作用。 – ImDarrenG
@ImDarrenG谢谢!你能告诉我如何在代码中完成吗? – Smastik
你可以删除对checkpoint()的调用,它不会帮你。 – ImDarrenG