我使用pyspark进行一些数据处理,并利用HiveContext作为窗口函数。
为了测试代码,我使用TestHiveContext,基本上从pyspark源代码复制实现:
https://spark.apache.org/docs/preview/api/python/_modules/pyspark/sql/context.html
@classmethod
def _createForTesting(cls, sparkContext):
"""(Internal use only) Create a new HiveContext for testing.
All test code that touches HiveContext *must* go through this method. Otherwise,
you may end up launching multiple derby instances and encounter with incredibly
confusing error messages.
"""
jsc = sparkContext._jsc.sc()
jtestHive = sparkContext._jvm.org.apache.spark.sql.hive.test.TestHiveContext(jsc)
return cls(sparkContext, jtestHive)
然后我的测试继承了可以访问上下文的基类。
这个工作正常一段时间。但是,当我添加更多测试时,我开始注意到一些间歇性进程耗尽了内存问题。现在我无法在没有失败的情况下运行测试套件。
"java.lang.OutOfMemoryError: Java heap space"
我在运行每个测试后显式停止了spark上下文,但这似乎没有杀死HiveContext。因此,我相信它会在每次运行新测试时不断创建新的HiveContexts,并且不会删除导致内存泄漏的旧版本。
有关如何拆除基类以使其杀死HiveContext的任何建议吗?
答案 0 :(得分:1)
如果您乐意在所有测试中使用单例来保存Spark / Hive上下文,则可以执行以下操作。
test_contexts.py:
_test_spark = None
_test_hive = None
def get_test_spark():
if _test_spark is None:
# Create spark context for tests.
# Not really sure what's involved here for Python.
_test_spark = ...
return _test_spark
def get_test_hive():
if _test_hive is None:
sc = get_test_spark()
jsc = test_spark._jsc.sc()
_test_hive = sc._jvm.org.apache.spark.sql.hive.test.TestHiveContext(jsc)
return _test_hive
然后你只需在测试中导入这些函数。
my_test.py:
from test_contexts import get_test_spark, get_test_hive
def test_some_spark_thing():
sc = get_test_spark()
sqlContext = get_test_hive()
# etc