H2O学习笔记（八）——Sparkling Water

sparkling water将h2o和spark相结合，在spark平台上运行h2o服务。提供了scala,python,R的接口，下面是spark water的一个整体架构图。

安装

这里只简单介绍下PySparkling的安装
首先安装Hadoop和Spark,没有问题了再安装Sparkling Water。
PySparkling支持的一些版本

h2o_pysparkling_1.6 - for Spark 1.6.x
h2o_pysparkling_1.5 - for Spark 1.5.x
h2o_pysparkling_1.4 - for Spark 1.4.x

这里我使用了Spark1.60的版本。
1、pip安装一些包

pip install h2o_pysparkling_1.6
pip install requests
pip install tabulate
pip install six
pip install future

注：在worker节点上也要安装这些环境，否则会报错。

2、配置环境

export SPARK_HOME="/path/to/spark/installation"
export MASTER='local[*]'

3、运行测试
在spark water文件夹下运行shell启动

bin/pysparkling --conf spark.executor.memory=2G 

也可以通过ipython和notebook启动

PYSPARK_DRIVER_PYTHON="ipython" PYSPARK_DRIVER_PYTHON_OPTS="notebook" bin/pysparkling

启动成功可以在http://master:4040查看pysparkling的状态

测试：

from pysparkling import *
import h2o
hc = H2OContext.getOrCreate(sc)

Demo

1、sparkcontext 初始化的demo

from pysparkling import *
from pyspark import SparkContext
from pyspark.sql import SQLContext
import h2o
# initiate SparkContext
sc = SparkContext("local", "App Name", pyFiles=[])

# initiate SQLContext
sqlContext = SQLContext(sc)

# initiate H2OContext
hc = H2OContext.getOrCreate(sc)

# stop H2O and Spark services
h2o.shutdown(prompt=False)
sc.stop()

2、芝加哥犯罪数据
其中用了SparkSQL来查询数据，最后用GBM和DL模型来训练数据
数据集可以从这儿下载

demo

出现的问题

1、spark执行任务时出现java.lang.OutOfMemoryError: GC overhead limit exceeded和java.lang.OutOfMemoryError: java heap space
Sun 官方对此的定义是：“并行/并发回收器在GC回收时间过长时会抛出OutOfMemroyError。”过长的定义是，超过98%的时间用来做GC并且回收了不到2%的堆内存。用来避免内存过小造成应用不能正常工作。
解决方法：
在spark-env.sh中将下面两个参数调大，提高机器可用的堆空间。

export SPARK_EXECUTOR_MEMORY=2000M
export SPARK_DRIVER_MEMORY=2000M

另一种可能的原因是executor core数量太多，导致了多个core之间争夺gc时间以及资源（应该主要是内存资源），最后导致大部分的时间都花在了gc上，可以减少core的数量直到到1

SPARK_EXECUTOR_CORES=1

2、在启动和运行时会出现各种问题，大部分都是虚拟机内存分配不够，虚拟机内存最好分配3G以上，不然会出现各种奇葩的错误。