Spark将大量分区写入HDFS报错

对大量的数据进行一系列的数据处理后DataFrame此时有2W个分区（170W条数据，因此每个分区数量只有几百条），此时使用parquet命令，将会往一个hdfs文件中同时写入了大量的碎文件。

提示(省略无用信息):

WARN TaskSetManager: Lost task: org.apache.spark.SparkException: Task failed while writing rows.

WARN TaskSetManager: Lost task:org.apache.hadoop.ipc.RemoteException(org.apache.hadoop.hdfs.server.namenode.LeaseExpiredException): 
 No lease on /user/xx/sample_2016/_temporary/0/_temporary/attempt_201604141035_0058_m_019029_0/part-r-19029-1b93e1fa-9284-4f2c-821a-c83795ad27c1.gz.parquet: 
 File does not exist. Holder DFSClient_NONMAPREDUCE_1239207978_115 does not have any open files.

原因

提示为文件操作超租期，由于多个task操作写一个文件，其中某个task完成任务后删除了临时文件引起。
该参数和dfs.datanode.max.xcievers有关，默认为256。

dfs.datanode.max.xcievers表示每个datanode任一时刻可以打开的文件数量上限。

解决方法

有两个解决方法，一种是修改spark代码，一种是修改hdfs参数配置。

1. 避免太高的并发度同时写一个文件。
   所以在调用write.parquet前，先使用repartition合并碎片分区。
   因为减少了分区数，下次再读取这份数据进行处理时，减少了启动task的开销。

2. 提高同时写的上限。
   在hdfs-site.xml中修改dfs.datanode.max.xcievers,将其设置为4096

    <property>
       <name>dfs.datanode.max.xcievers</name>
       <value>4096</value>
     </property>

   需要重启dataNode生效。

作者：breeze_lsw
链接：https://www.jianshu.com/p/f5ec6c7bb176