我是Spark的新手,我发现文档说Spark会将数据加载到内存中,以使迭代算法更快。
但是,如果我有一个10GB的日志文件并且只有2GB的内存呢? Spark会一如既往地将日志文件加载到内存中吗?
答案 0 :(得分:13)
我认为这个问题在Spark网站(https://spark.apache.org/faq.html)的FAQ面板中得到了很好的解答:
答案 1 :(得分:6)
这里的关键是注意 RDD分为partitions (请参阅本答案的结尾处),每个分区都是一组元素(可以是文本行或例如整数)。分区用于在不同的计算单元中并行化计算。
所以键不是文件是否太大而是分区是否。在这种情况下,在FAQ:“Spark的操作符将数据溢出到磁盘,如果它不适合内存,允许它在任何大小的数据上运行良好”。生成OOM的大型分区的问题已解决here。
现在,即使分区可以适合内存,这样的内存也可以满了。在这种情况下,它驱逐内存中的另一个分区以适应新分区。驱逐可能意味着:
内存管理很好地解释了here:“Spark将LRU缓存中的分区存储在内存中。当缓存达到其大小限制时,它会从中删除条目(即分区)。当分区有“disk”属性(即你的持久性级别允许在磁盘上存储分区),它将被写入HDD并且它所消耗的内存将被释放,除非你要求它。当你请求它时,它将被读入内存如果没有足够的内存,其他一些来自缓存的旧条目将被驱逐。如果你的分区没有“磁盘”属性,驱逐只是意味着破坏缓存条目而不将其写入硬盘“
初始文件/数据的分区方式取决于数据的格式和类型,以及用于创建RDD的函数,请参阅this。例如:
最后,我建议您阅读this以获取更多信息,并决定如何选择分区数量(太多或太少?)。
答案 2 :(得分:0)
由于没有足够的可用内存,它不会加载完整的10G。根据我的经验,根据您使用数据的方式,其中三种将会发生:
如果您尝试缓存10GB:
如果您只是处理数据:
当然,这与您的代码和您正在应用的转换密切相关。