将 Spark DataFrame 写入 Hive 表时的内存分配问题答案

【问题标题】：Memory allocation issue in writing Spark DataFrame to Hive table将 Spark DataFrame 写入 Hive 表时的内存分配问题
【发布时间】：2017-05-17 23:31:28
【问题描述】：

我想一个Spark数据帧保存到一个蜂巢表（平面）与.saveAsTable()在pySpark，但要运行内存问题象下面这样： P>

org.apache.hadoop.hive.ql.metadata.HiveException: parquet.hadoop.MemoryManager$1:
New Memory allocation 1034931 bytes is smaller than the minimum allocation size of 1048576 bytes.

在第一个数字（1034931）通常不断变化在不同的运行。我认识的第二个数字（1048576）是1024^2，但我根本不知道那是什么在这里的意思。 P>

我已经使用了其他一些我的项目完全相同的技术（大得多DataFrames），并没有问题任职。在这里，我基本上是复制粘贴的过程和配置，但运行的结构中内存的问题！它必须是一些小事我失踪。 P>

在数据帧火花（让我们称之为sdf）具有结构（10〜列和300K〜行，但也可以是更多的，如果这个运行正确地）：

+----------+----------+----------+---------------+---------------+
| col_a_str| col_b_num| col_c_num|partition_d_str|partition_e_str|
+----------+----------+----------+---------------+---------------+
|val_a1_str|val_b1_num|val_c1_num|     val_d1_str|     val_e1_str|
|val_a2_str|val_b2_num|val_c2_num|     val_d2_str|     val_e2_str|
|       ...|       ...|       ...|            ...|            ...|
+----------+----------+----------+---------------+---------------+

蜂房表是这样创建的：

sqlContext.sql("""
                    CREATE TABLE IF NOT EXISTS my_hive_table (
                        col_a_str string,
                        col_b_num double,
                        col_c_num double
                    ) 
                    PARTITIONED BY (partition_d_str string,
                                    partition_e_str string)
                    STORED AS PARQUETFILE
               """)

在插入数据到该表中的尝试是使用下面的命令：

sdf.write \
   .mode('append') \
   .partitionBy('partition_d_str', 'partition_e_str') \
   .saveAsTable('my_hive_table')

在火花/蜂巢结构是这样的：

spark_conf = pyspark.SparkConf()
spark_conf.setAppName('my_project')

spark_conf.set('spark.executor.memory', '16g')
spark_conf.set('spark.python.worker.memory', '8g')
spark_conf.set('spark.yarn.executor.memoryOverhead', '15000')
spark_conf.set('spark.dynamicAllocation.maxExecutors', '64')
spark_conf.set('spark.executor.cores', '4')

sc = pyspark.SparkContext(conf=spark_conf)

sqlContext = pyspark.sql.HiveContext(sc)
sqlContext.setConf('hive.exec.dynamic.partition', 'true')
sqlContext.setConf('hive.exec.max.dynamic.partitions', '5000')
sqlContext.setConf('hive.exec.dynamic.partition.mode', 'nonstrict')
sqlContext.setConf('hive.exec.compress.output', 'true')

我试图改变.partitionBy('partition_d_str', 'partition_e_str')到.partitionBy(['partition_d_str', 'partition_e_str'])，增加内存，分割数据帧，以更小的块，重新创建表和数据帧，但似乎没有任何工作。我不能在网上找到任何解决方案，无论是。什么是导致内存错误（我不完全明白的地方它无论从推出），我怎么可以改变我的代码写入到蜂巢表？谢谢。

【问题讨论】：

最小页大小即最小读/拼花的写单元由属性987654334 @缺省定义@到1048576及其可能您正在试图写入数据下该阈值下降。这就是为什么抛出错误可能是什么？这只是我的猜测...... check this out SPAN>
感谢您的链接。通过与parquet.page.size玩，parquet.block.size配置，以及由刚乘我的数据的大小，但没有运气想你的建议。相同的错误：（跨度>

标签： python apache-spark hive pyspark apache-spark-sql

【解决方案1】：

事实证明，我正在使用一个可空字段进行分区，该字段将.saveAsTable() 关闭。当我将 RDD 转换为 Spark DataFrame 时，我提供的架构是这样生成的：

from pyspark.sql.types import *

# Define schema
my_schema = StructType(
                    [StructField('col_a_str', StringType(), False),
                     StructField('col_b_num', DoubleType(), True),
                     StructField('col_c_num', DoubleType(), True),
                     StructField('partition_d_str', StringType(), False),
                     StructField('partition_e_str', StringType(), True)])

# Convert RDD to Spark DataFrame
sdf = sqlContext.createDataFrame(my_rdd, schema=my_schema)

由于partition_e_str 被声明为nullable=True（StructField 的第三个参数），它在写入 Hive 表时出现问题，因为它被用作分区字段之一。我把它改成：

# Define schema
my_schema = StructType(
                    [StructField('col_a_str', StringType(), False),
                     StructField('col_b_num', DoubleType(), True),
                     StructField('col_c_num', DoubleType(), True),
                     StructField('partition_d_str', StringType(), False),
                     StructField('partition_e_str', StringType(), False)])

一切又好了！

课程：确保您的分区字段不可为空！

【讨论】：