需求是这样的,目前在处理一个 100G 的数据库。出于简单考虑,我是一次性把数据载入内存做计算,处理本是 python 写的。手头有一台 windows 服务器,内存 128G ,运行起来内存爆了。另外还有一个 spark 集群,由 4 台 128G 内存的服务器组成。由于对 spark 不是很了解,想请教一下大家:
我可以用这台 spark 集群运行我的纯 python 脚本么?还是必须改用 spark 的 API?
如果可以,可以利用到集群的全部内存,从而解决内存爆表的问题么?
1
Garantion 2016-08-28 16:47:10 +08:00
|
2
chuan 2016-08-28 17:20:11 +08:00
pyspark 里不用 spark 相关的东西完全可以
|
3
BUPTGuo 2016-08-28 19:38:49 +08:00
可以直接用。但是感觉并不能解决内存爆了的问题吧??
没有用 spark 或者其他并行计算框架,它就只能把你当成一个计算程序来算,没有办法拆分开分布式运行。计算的时候还是需要那么多的内存啊 |
4
ooonme 2016-08-28 20:28:27 +08:00 via iPhone
必须用 spark api ,建议楼主先看下 spark 相关的内容吧
|
5
iEverX 2016-08-28 21:09:48 +08:00
不用 spark 的 api ,怎么分布式用集群?和自己运行一个脚本没区别啊
|
6
mengzhuo 2016-08-29 13:37:07 +08:00 via iPhone
必须是 pyspark 的接口 不过可以各种上传依赖库啊
|
7
ligyxy 2016-08-29 21:29:46 +08:00 via Android
默认设置下 Spark 会使用资源 70% 的内存
|
8
ligyxy 2016-08-29 21:33:07 +08:00 via Android
* 最多
|
9
jyf 2016-08-29 22:03:23 +08:00
可以啊 pyspark 么 就是许多 api 一看支持都有 再仔细一看都是 java 才支持
你还是看看 spark streaming 吧 按你这玩法 内存再大也不够 |