Spark同步数据到线上数据库的一个坑

背景

使用PySpark抽取数据同步到数据库时候(例如:clickhouse、mysql等数据库),使用RDD的foreachPartitionmapPartitionsmapPartitionsWithIndex等函数发现有的数据会执行同步多次,导致重复数据问题。

原因及解决方案

可以通过mapPartitionsWithIndex的函数打印partitionIndex,然后在日志查看的方式定位原因,综合分析可能由于以下三个原因导致:

  • 1、代码中设置了spark推测执行开启spark.speculation=true(默认是false)导致,该参数的作用是:同时启动多个相同task(备份任务)处理相同的数据块,哪个完成的早,则采用哪个task的结果,同时终止其他的task。对于同步数据的场景该参数应该设置为spark.speculation=false

  • 2、由于Spark的RDD的父依赖重算机制,下游子RDD运行中有可能导致上游未缓存的RDD重新计算,此时建议该同步数据算子执行后persist一下

  • 3、executor的失败重试可能导致,由于是偶然性事件,因此建议同步完,增加需同步数据量和实际同步数据量相等校验

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值