spark work目录处理 And HDFS空间都去哪了？

1、说在前面

过完今天就放假回家了（挺高兴），于是提前检查了下个服务集群的状况，一切良好。正在我想着回家的时候突然发现手机上一连串的告警，spark任务执行失败，spark空间不足。我的心突然颤抖了一下，于是赶紧去看服务器的磁盘容量：

#df  -h

确实，还剩下6.8G，赶紧排查是什么占用了空间。发现hadoop、spark站的空间比较大，一个50多G（data）、一个30多G（spark-events）。不对啊，这也没占多少啊，于是登录到hadoop的webui去看资源的使用情况：

发现Non DFS Used的值很大，接下来就是名词解释时间：

Capacity：可用的总空间

Used：已用的空间

Non DFS Used：非hdfs文件占用dfs的空间（侵占）

Remaining：剩余可用空间

发现Non DFS Used的值都很大，证明有很多的非hdfs文件侵占了大量的dfs空间。可以看到其中有一个加点只剩6.03G了。这个总空间的大小默认就是磁盘的大小，不过hadoop有个磁盘的配置项dfs.datanode.du.reserved，这个配置是设置hadoop保留一部分不用于hdfs存储的空间默认是0。

2、好了，明白这个后，开始去排查到底是什么文件侵占了dfs的空间。看了一下服务器上面部署的服务，有spark、hadoop（hdfs）、presto，如果是对大数据相对熟悉的人第一判断应该是spark，首先想到的是spark  work和spark-events，检查是否运行了history。简单科普一下，spark work存放的是一个spark work任务运行的依赖环境和日志输出，集群其他的节点都来这个地方拉取，spark-events存放的是运行日志，history  web就是去的这里的数据。经检查发现是work，已经201G了。

使用spark standalone模式执行任务，每提交一次任务，在每个节点work目录下都会生成一个文件夹，命名规则app-20180212191730-0249。该文件夹下是任务提交时，各节点从主节点下载的程序所需要的资源文件。 这些目录每次执行都会生成，且不会自动清理，执行任务过多会将内存撑爆。将历史没用的work目录下面的app目录删除：

3、解决方案

需要添加定时清理策略，只针对于standalong模式：

在spark-env.sh里面添加如下配置

export SPARK_WORKER_OPTS="

-Dspark.worker.cleanup.enabled=true

-Dspark.worker.cleanup.interval=1800

-Dspark.worker.cleanup.appDataTtl=3600"

 

注：

-Dspark.worker.cleanup.enabled=true：是否开启自动清理
-Dspark.worker.cleanup.interval=1800：清理周期，每隔多长时间清理一次，单位秒
-Dspark.worker.cleanup.appDataTtl=3600：保留最近多长时间的数据

 

参考：

https://spark.apache.org/docs/latest/spark-standalone.html