Spark如何处理大于集群内存的数据

Question

如果我只有一个内存为25 GB的执行程序，并且它一次只能运行一个任务，则可以处理（转换和操作）1 TB数据，如果是，那么它将如何被读取以及中间数据的位置将是商店？

同样对于相同的场景，如果hadoop文件有300个输入拆分，那么在RDD中将有300个分区，所以在这种情况下哪个是那些分区？ 它会仅保留在hadoop磁盘上，我的单​​个任务将运行300次吗？

Answer 1

我在hortonworks网站上找到了一个很好的答案。

  

与普遍认为Spark相反，不仅仅是内存

     

a）简单阅读没有随机播放（没有连接，......）

     

对于初始读取，像MapReduce一样的Spark读取流中的数据并且＆gt;随着它的流程处理它。即除非有一个原因，火花不会实现内存中的完整RDD（你可以告诉他这样做，但是如果你想缓存一个小数据集）RDD是有弹性的，因为spark知道如何重新创建它（从hdfs重新读取一个块）例如）不是因为它存储在不同位置的mem中。 （虽然也可以这样做。）

     

因此，如果您过滤掉大部分数据或进行在地图方面聚合的有效聚合，那么您将永远不会在内存中拥有完整的表格。

     

b）随机播放

     

这与MapReduce非常相似，因为它将地图输出写入光盘并使用reducers通过http读取它们。但是，spark在Linux文件系统上使用了激进的文件系统缓冲策略，因此如果操作系统有可用内存，则数据实际上不会写入物理光盘。

     

c）Shuffle后

     

shuffle之后的RDD通常由引擎缓存（否则失败的节点或RDD将需要完全重新运行该作业）但是，abdelkrim提到Spark可以将这些溢出到光盘，除非你否决它。

     

d）Spark Streaming

     

这有点不同。除非您覆盖设置，否则Spark流式传输需要所有数据都适合内存。

Here's is the original page.

Matei Zaharia最初的Spark设计论文也有所帮助。 (section 2.6.4 Behavior with Insufficient Memory)

希望有一些有用的东西。