单个 Executor 正在处理巨大的多行 Json 文件

Question

我有一个 35-40GB 大小的巨大 json 文件，它是 hdfs 上的 MULTILINE JSON。我已经使用了.option('multiline', 'true').read.json('MULTILINE_JSONFILE_.json').repartition(50) 使用 Pyspark。

我增加了 60 个执行器、16 个内核、16GB Ememory 并设置了内存开销参数。 Executor 的每次运行都会丢失。

它非常适用于较小的文件，但不适用于 > 15 GB 的文件 我有足够的集群资源。

从我看到的 spark UI 中，每次数据由单个执行器处理时，所有其他执行器都处于空闲状态。

我看过阶段（0/2）任务（0/51）

我也重新分区了数据。

代码：

spark.read.option('multiline', 'true').read.json('MULTILINE_JSONFILE_.json').repartition(50)
df.count()
df.rdd.glom().map(len).collect()
df.write.... (HDFSLOCATION, format='csv')

目标：我的目标是对每一列应用 UDF 函数并清理数据并写入 CSV 格式。 数据框大小为 800 万行，210 列

Answer 1

根据经验，Spark 的并行度基于输入文件的数量。但是您只指定了 1 个文件 (MULTILINE_JSONFILE_.json)，因此 Spark 将使用 1 个 cpu 来处理以下代码

spark.read.option('multiline', 'true').read.json('MULTILINE_JSONFILE_.json')

即使你有 16 个核心。

我建议您将一个 json 文件拆分为多个文件。

---

更准确地说，如果文件存储在 HDFS 上，并行性基于文件块的数量。如果MULTILINE_JSONFILE_.json 是 40GB，如果块大小是 128MB，它可能有超过 400 个块。因此，如果文件位于 HDFS 中，Spark 任务应该并行运行。如果你坚持并行，我认为这是因为指定了option("multiline", false)。

In databricks documentation，你可以看到下面这句话。

文件将作为一个整体加载，不能拆分。