Spark如何读取一些大数据集到本地机器上

最近在使用spark处理分析一些公司的埋点数据，埋点数据是json格式，现在要解析json取特定字段的数据，做一些统计分析，所以有时候需要把数据从集群上拉到driver节点做处理，这里面经常出现的一个问题就是，拉取结果集过大，而驱动节点内存不足，经常导致OOM，也就是我们常见的异常:

这种写法的代码一般如下：

上面的这种写法，基本原理就是一次性把所有分区的数据，全部读取到driver节点上，然后开始做处理，所以数据量大的时候，经常会出现内存溢出情况。

（问题一）如何避免这种情况？

分而治之，每次只拉取一个分区的数据到驱动节点上，处理完之后，再处理下一个分数据的数据。

（问题二）如果单个分区的数据已经大到内存装不下怎么办？

给数据集增加更多的分区，让大分区变成多个小分区。

（问题三）如果结果集数据大于内存的大小怎么办？

要么增加驱动节点的内存，要么给每个分区的数据都持久化本地文件上，不再内存中维护

下面来看下关键问题，如何修改spark的rdd分区数量?

我们知道在spark里面RDD是数据源的抽象模型，RDD里面实际上是把一份大数据源切分成了多个分区数据，然后来并行处理这份大数据集。

默认情况下如果Spark从HDFS上加载数据，默认分区个数是按照HDFS的block size来切分的，当然我们在加载的时候可以指定的分区个数。

如果在加载时不指定分区个数，spark里面还提供了两个函数来进行重分区：

接着我们来看下coalesce函数和repartition函数的区别：

通过查看源码得知repartition函数内部实际上是调用了coalesce函数第二个参数等于true时的封装。所以我们重点来关注下coalesce函数即可：

coalesce的第一个参数是修改后的分区个数

coalesce的第二个参数是控制是否需要shuffle

举一个例子：

当前我们RDD的分区个数是100：

（1）如果要变成10，应该使用

（2）如果要变成300，应该使用

（3）如果要变成1，应该使用

这里解释一下：

分区数从多变少，一般是不需要开启shuffle的，这样性能最高，因为不需要跨网络混洗数据，当然你也可以开启shuffle在特定场景下，如分区数据极其不均衡。但建议一般不要使用。

分区数从少变多，必须开启shuffle，如果不开启那么分区数据是不会改变的，由少变多必须得重新混洗数据才能变多，这里需要注意一点，如果数据量特别少，那么会有一些分区的数据是空。

最后的例子是一种极端场景，如果从多变成1，不开启shuffle，那么可能就个别节点计算压力特别大，集群资源不能充分利用，所以有必要开启shuffle，加速合并计算的流程。

明白了如何改变rdd的分区个数之后，我们就可以文章开头遇到的问题结合起来，拉取大量数据到驱动节点上，如果整体数据集太大，我们就可以增加分区个数，循环拉取，但这里面需要根据具体的场景来设置分区个数，因为分区个数越多，在spark里面生成的task数目就越多，task数目太多也会影响实际的拉取效率，在本案例中，从hdfs上读取的数据默认是144个分区，大约1G多点数据，没有修改分区个数的情况下处理时间大约10分钟，在调整分区个数为10的情况下，拉取时间大约在1-2分钟之间，所以要根据实际情况进行调整。

文章开始前的代码优化后的如下：

最后在看下，spark任务的提交命令：

这里面主要关注参数：

单次拉取数据结果集的最大字节数，以及驱动节点的内存，如果在进行大结果集下拉时，需要特别注意下这两个参数的设置。

参考文档：

https://spark.apache.org/docs/2.2.0/api/scala/index.html#org.apache.spark.rdd.RDD

https://spark.apache.org/docs/latest/configuration.html

https://stackoverflow.com/questions/21698443/spark-best-practice-for-retrieving-big-data-from-rdd-to-local-machin