栏目分类:
子分类:
返回
名师互学网用户登录
快速导航关闭
当前搜索
当前分类
子分类
实用工具
热门搜索
名师互学网 > IT > 前沿技术 > 大数据 > 大数据系统

spark内存溢出解决方案

spark内存溢出解决方案

背景

使用 pyspark 跑数据的时候,如果 dt 分区过多数据量过大,或者公司集群有内存、时长限制,会导致 job 提前结束

解决方案

先定义 spark 脚本

#!/usr/bin/python
# -*-coding:utf-8 -*-
import datetime
from pyspark.sql import SparkSession
import sys

spark = SparkSession 
    .builder 
    .enableHiveSupport() 
    .config("hive.exec.dynamici.partition", "true") 
    .config("hive.exec.dynamic.partition.mode", "nonstrict") 
    .getOrCreate()

diff_day = int(sys.argv[1])
dt= datetime.datetime.strftime((datetime.datetime.now() - datetime.timedelta(diff_day)), "%Y%m%d")
df = spark.sql("""select * from table where dt = '{dt}'""".format(dt=dt))

然后写 shell 脚本,循环调用,并传递参数

#!/bin/sh
for diff_day in 1 2 3 4 5 6 7 8 9 10;
do
    echo ${diff_day}
    sudo -uxxx PYSPARK_PYTHON=./python_env/py37/bin/python3  /xxx/spark-2.3.3-bin-hadoop2.7/bin/spark-submit  --master yarn-cluster  --executor-memory 18G  --conf spark.driver.maxResultSize=4g  --num-executors 30 --executor-cores 4  --archives hdfs://xxx/envs/py37.zip#python_env --conf spark.yarn.appMasterEnv.PYSPARK_PYTHON=./python_env/py37/bin/python3  --conf spark.yarn.appMasterEnv.PYSPARK_DRIVER_PYTHON=./python_env/py37/bin/python3  --conf spark.executorEnv.PYSPARK_PYTHON=./python_env/py37/bin/python3  --conf spark.executorEnv.PYSPARK_DRIVER_PYTHON=./python_env/py37/bin/python3  /xxx/test.py >> /xxx/logs/test.log 2>&1 ${diff_day}
done

按照 dt 进行跑数

转载请注明:文章转载自 www.mshxw.com
本文地址:https://www.mshxw.com/it/278472.html
我们一直用心在做
关于我们 文章归档 网站地图 联系我们

版权所有 (c)2021-2022 MSHXW.COM

ICP备案号:晋ICP备2021003244-6号