如果我只有 1 个内存为 25 GB 的执行器，并且它一次只能运行一个任务，那么是否可以处理（转换和操作）1 TB 数据（如果是），那么它将如何读取以及中间数据将存储在哪里？
同样对于相同的场景，如果 hadoop 文件有 300 个输入拆分，那么 RDD 中将有 300 个分区，那么在这种情况下这些分区将在哪里？
它会仅保留在 hadoop 磁盘上并且我的单个任务将运行 300 次吗？
我在 hortonworks 网站上找到了一个很好的答案。
与流行的观点相反，Spark 不仅仅存在于内存中
a) 简单读取，无随机播放（无连接，...）
对于初始读取，Spark 像 MapReduce 一样读取流中的数据并在数据出现时对其进行处理。 IE。除非有原因 Spark 不会在内存中实现完整的 RDD（你可以告诉他这样做，但是如果你想缓存一个小数据集）RDD 是有弹性的，因为 Spark 知道如何重新创建它（从 hdfs 重新读取一个块）例如）不是因为它存储在不同位置的内存中。 （不过这也可以做到。）
因此，如果您过滤掉大部分数据或进行在地图端聚合的有效聚合，您将永远不会在内存中拥有完整的表。
b) 随机播放
这与 MapReduce 非常相似，因为它将映射输出写入磁盘并通过 http 使用化简器读取它们。然而，spark 在 Linux 文件系统上使用了积极的文件系统缓冲区策略，因此如果操作系统有可用内存，数据将不会实际写入物理磁盘。
c) 随机播放后
shuffle后的RDD通常由引擎缓存（否则失败的节点或RDD将需要完全重新运行作业），但是正如abdelkrim提到的那样，Spark可以将这些溢出到磁盘上，除非您否决这一点。
d) 火花流
这有点不同。 Spark Streaming 期望所有数据都适合内存，除非您覆盖设置。
这是原始页面。
Matei Zaharia 最初的 Spark 设计论文也有帮助。（第 2.6.4 节内存不足时的行为）
希望有什么有用的东西。
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
