Question

根据documentation，可以告诉Spark跟踪“超出范围” 检查点-不再需要的检查点，并从磁盘中清除它们。

SparkSession.builder
  ...
  .config("spark.cleaner.referenceTracking.cleanCheckpoints", "true")
  .getOrCreate()

显然是这样做的，但是问题是，从未删除最后一个检查点的rdds。

问题

执行所有清理时是否缺少任何配置？
如果没有：有什么方法可以获取为特定应用程序创建的临时文件夹的名称，以便可以通过编程方式将其删除？即从0c514fb8-498c-4455-b147-aff242bd7381获取SparkContext的方式与获取applicationId

Answer 1

我知道它的老问题，但是最近我正在探索checkpoint，并且遇到了类似的问题。想分享调查结果。

问题：执行所有清理操作时，我是否缺少任何配置？

设置spark.cleaner.referenceTracking.cleanCheckpoints=true有时会起作用，但很难依靠它。官方文件说，购买要设置此属性

如果引用超出范围，则清除检查点文件

我不知道这到底意味着什么，因为我的理解是，一旦spark会话/上下文停止，就应该清理它。

但是，我找到了您以下问题的答案

如果没有：是否有任何方法可以获取临时名称为特定应用程序创建的文件夹，这样我就可以以编程方式删除它？即从获取0c514fb8-498c-4455-b147-aff242bd7381 以相同的方式获取SparkContext的applicationId

是，我们可以得到如下的checkpointed目录：

scala：

//Set directory
scala> spark.sparkContext.setCheckpointDir("hdfs:///tmp/checkpoint/")

scala> spark.sparkContext.getCheckpointDir.get
res3: String = hdfs://<name-node:port>/tmp/checkpoint/625034b3-c6f1-4ab2-9524-e48dfde589c3

//It gives String so we can use org.apache.hadoop.fs to delete path

PySpark：

// Set directory
>>> spark.sparkContext.setCheckpointDir('hdfs:///tmp/checkpoint')
>>> t = sc._jsc.sc().getCheckpointDir().get()
>>> t 
u'hdfs://<name-node:port>/tmp/checkpoint/dc99b595-f8fa-4a08-a109-23643e2325ca'

// notice 'u' at the start which means It returns unicode object
// Below are the steps to get hadoop file system object and delete

>>> fs = sc._jvm.org.apache.hadoop.fs.FileSystem.get(sc._jsc.hadoopConfiguration())
fs.exists(sc._jvm.org.apache.hadoop.fs.Path(str(t)))
True

>>> fs.delete(sc._jvm.org.apache.hadoop.fs.Path(str(t)))
True

Answer 2

在 Scala 中，没有文件系统，您可以使用以下代码删除任何 hdfs 目录

scala> s"hdfs dfs -rmr checkpoint-directory-path" !

PySpark：全面清洁检查站

问题

2 个答案: