寻找Spark理解。。。
我正在将mysql中的大量数据加载到spark中,它一直在消亡:-(
org.apache.spark.SparkException: Job aborted.
at org.apache.spark.sql.execution.datasources.InsertIntoHadoopFsRelation$$anonfun$run$1.apply$mcV$sp(InsertIntoHadoopFsRelation.scala:156)
at org.apache.spark.sql.execution.datasources.InsertIntoHadoopFsRelation$$anonfun$run$1.apply(InsertIntoHadoopFsRelation.scala:108)
at org.apache.spark.sql.execution.datasources.InsertIntoHadoopFsRelation$$anonfun$run$1.apply(InsertIntoHadoopFsRelation.scala:108)
at org.apache.spark.sql.execution.SQLExecution$.withNewExecutionId(SQLExecution.scala:56)
at org.apache.spark.sql.execution.datasources.InsertIntoHadoopFsRelation.run(InsertIntoHadoopFsRelation.scala:108)
这是我的密码
val query =
s"""
(
select
mod(act.AccountID, ${parts}) part,
p.Value name, event.EventTime eventTime, act.AccountID accountID, act.UserGoal goalID,event.ActivityID activityID, id.CountryID countryID, arr.ConsumerID consumerID
from DimIdentity as id
join FactArrival as arr on arr.IdentityID=id.IdentityID
join FactActivityEvent as event on event.ArrivalID=arr.ArrivalID
join DimAccount as act on act.AccountID=event.AccountID
join DimAccountRoleTypeMatch as role on role.AccountID=act.AccountID
join DimDateTime as d on event.DateTimeID=d.DateTimeID
join DimProperty as p on p.PropertyID=event.EventTypeID
where
id.Botness=0 and
d.DayOfYear>=${from} and d.DayOfYear<${to} and d.Year=${year} and
(role.AccountRoleTypeID=1 or role.AccountRoleTypeID=2)
) a
""".stripMargin
val events = sqlContext.read.format("jdbc").
option("url", sqlURL).
option("driver", "com.mysql.jdbc.Driver").
option("useUnicode", "true").
option("zeroDateTimeBehavior", "round").
option("continueBatchOnError", "true").
option("useSSL", "false").
option("dbtable", query).
option("user", sqlUser).
option("password", sqlPassword).
option("partitionColumn", "part").
option("lowerBound", "0").
option("upperBound", s"${parts - 1}").
option("numPartitions", s"${parts}").
load().as[Activity].toDF
请注意,我使用的是partitioncolumn、lowerbound、upperbound和numpartitions,这是其他答案中推荐的
我试着将分区从4设置为512,但总是死掉。从文件或mongo读取相同数量的数据没有问题。这是mysql连接器的问题吗?有解决办法吗?
请注意,我找到了一个建议避免spark的答案,并将查询读入hdfs上的一个文件,然后加载该文件
spark rdd中的多个分区
这真的是最好的方法吗?
2条答案
按热度按时间s8vozzvw1#
您可以尝试增加获取大小,而不使用动态分区进行读取。
eoxn13cs2#
这是我得到的答案。。。
对我来说,答案是避免spark的mysql连接:-(我发现避免分区导致的崩溃太困难了。mysql连接需要手动调整分区,并且不会提高速度。更容易编写将数据读入大文本文件的非spark代码,并在文本文件上调用spark。spark非常适合大多数数据源,但不适合mysql。。。至少还没有