将 MySQL table 转换为镶木地板时出现 Spark 异常

Question

我正在尝试使用 spark 1.6.2 将 MySQL 远程 table 转换为 parquet 文件。

该进程运行了 10 分钟，填满了内存，然后以这些消息启动：

WARN NettyRpcEndpointRef: Error sending message [message = Heartbeat(driver,[Lscala.Tuple2;@dac44da,BlockManagerId(driver, localhost, 46158))] in 1 attempts
org.apache.spark.rpc.RpcTimeoutException: Futures timed out after [10 seconds]. This timeout is controlled by spark.executor.heartbeatInterval

最后失败并出现此错误：

ERROR ActorSystemImpl: Uncaught fatal error from thread [sparkDriverActorSystem-scheduler-1] shutting down ActorSystem [sparkDriverActorSystem]
java.lang.OutOfMemoryError: GC overhead limit exceeded

我运行它在 spark-shell 中使用这些命令：

spark-shell --packages mysql:mysql-connector-java:5.1.26 org.slf4j:slf4j-simple:1.7.21 --driver-memory 12G

val dataframe_mysql = sqlContext.read.format("jdbc").option("url", "jdbc:mysql://.../table").option("driver", "com.mysql.jdbc.Driver").option("dbtable", "...").option("user", "...").option("password", "...").load()

dataframe_mysql.saveAsParquetFile("name.parquet")

我将最大执行程序内存限制为 12G。有没有办法强制在 "small" 块中写入 parquet 文件以释放内存？

Answer 1

问题似乎是您在使用 jdbc 连接器读取数据时没有定义分区。

从 JDBC 中读取默认情况下不分发，因此要启用分发，您必须设置手动分区。您需要一个很好的分区键列，并且您必须预先知道分布。

这显然是您的数据的样子：

root 
|-- id: long (nullable = false) 
|-- order_year: string (nullable = false) 
|-- order_number: string (nullable = false) 
|-- row_number: integer (nullable = false) 
|-- product_code: string (nullable = false) 
|-- name: string (nullable = false) 
|-- quantity: integer (nullable = false) 
|-- price: double (nullable = false) 
|-- price_vat: double (nullable = false) 
|-- created_at: timestamp (nullable = true) 
|-- updated_at: timestamp (nullable = true)

order_year 对我来说似乎是个不错的候选人。（根据您的评论，您似乎有 ~20 年）

import org.apache.spark.sql.SQLContext

val sqlContext: SQLContext = ???

val driver: String = ???
val connectionUrl: String = ???
val query: String = ???
val userName: String = ???
val password: String = ???

// Manual partitioning
val partitionColumn: String = "order_year"

val options: Map[String, String] = Map("driver" -> driver,
  "url" -> connectionUrl,
  "dbtable" -> query,
  "user" -> userName,
  "password" -> password,
  "partitionColumn" -> partitionColumn,
  "lowerBound" -> "0",
  "upperBound" -> "3000",
  "numPartitions" -> "300"
)

val df = sqlContext.read.format("jdbc").options(options).load()

PS: partitionColumn, lowerBound, upperBound, numPartitions: 如果指定其中任何一个，则必须全部指定这些选项。

现在您可以将 DataFrame 保存到镶木地板上。

将 MySQL table 转换为镶木地板时出现 Spark 异常

Spark Exception when converting a MySQL table to parquet

apache-spark

parquet

apache-spark-sql