我需要有关如何计算在spark独立集群中运行x mb(假设x表示600 mb)需要多少堆空间(内存)的信息 .
场景:
我有独立的集群,内存为14GB,内核为8个 . 我想在600 MB的数据上操作(从文件读取数据并将其写入Cassandra) .
对于此任务,我将SparkConfig作为:
.SET( “spark.cassandra.output.throughput_mb_per_sec”, “800”)
.set(“spark.storage.memoryFraction”,“0.3”)
并且--executor-memory = 5g --total-executor-cores 6 - driver-memory 6g在提交任务时 .
尽管有上述配置,我在向Cassandra写入数据时遇到了java堆空间错误 .
以下是java代码:
public static void main(String[] args) throws Exception {
String fileName = args[0];
Long now = new Date().getTime();
SparkConf conf = new SparkConf(true)
.setAppName("JavaSparkSQL_" +now)
.set("spark.cassandra.connection.host", "192.168.1.65")
.set("spark.cassandra.connection.native.port", "9042")
.set("spark.cassandra.connection.rpc.port", "9160")
.set("spark.cassandra.output.throughput_mb_per_sec","800")
.set("spark.storage.memoryFraction", "0.3");
JavaSparkContext ctx = new JavaSparkContext(conf);
JavaRDD<String> input =ctx.textFile
("hdfs://abc.xyz.net:9000/figmd/resources/" + fileName, 12);
JavaRDD<PlanOfCare> result = input.mapPartitions(new
ParseJson()).filter(new PickInputData());
System.out.print("Count --> "+result.count());
System.out.println(StringUtils.join(result.collect(), ","));
javaFunctions(result).writerBuilder("ks","pt_planofcarelarge",
mapToRow(PlanOfCare.class)).saveToCassandra();
}
我想要做什么配置?我错过了什么吗?提前致谢 .
1 回答
JavaRDD
collect
方法返回一个包含此RDD中所有元素的数组 .因此,在您的情况下,它将创建一个包含340000个元素的数组,这将导致
Java Heap Error
,您可能需要获取一小部分数据样本,或者您可能希望将其直接保存到磁盘中 .有关JavaRDD的更多信息,您始终可以参考official documentation .