如何在 PySpark 中使用 HiveContext 进行测试时防止内存泄漏



我使用 pyspark 进行一些数据处理,并利用 HiveContext 作为窗口函数。

为了测试代码,我使用 TestHiveContext,基本上是从 pyspark 源代码复制实现:

https://spark.apache.org/docs/preview/api/python/_modules/pyspark/sql/context.html

@classmethod
def _createForTesting(cls, sparkContext):
    """(Internal use only) Create a new HiveContext for testing.
    All test code that touches HiveContext *must* go through this method. Otherwise,
    you may end up launching multiple derby instances and encounter with incredibly
    confusing error messages.
    """
    jsc = sparkContext._jsc.sc()
    jtestHive = sparkContext._jvm.org.apache.spark.sql.hive.test.TestHiveContext(jsc)
    return cls(sparkContext, jtestHive)

然后,我的测试继承可以访问上下文的基类。

这在一段时间内工作正常。但是,当我添加更多测试时,我开始注意到一些间歇性进程内存不足的问题。现在我无法在不失败的情况下运行测试套件。

"java.lang.OutOfMemoryError: Java heap space"

每次测试运行后,我都会显式停止 Spark 上下文,但这似乎并没有杀死 HiveContext。因此,我相信每次运行新测试时,它都会不断创建新的 HiveContext,并且不会删除导致内存泄漏的旧测试。

关于如何拆除基类以杀死HiveContext的任何建议?

如果你愿意在所有测试中使用单一实例来保存 Spark/Hive 上下文,则可以执行以下操作。

test_contexts.py:

_test_spark = None
_test_hive = None
def get_test_spark():
    if _test_spark is None:
        # Create spark context for tests.
        # Not really sure what's involved here for Python.
        _test_spark = ...
    return _test_spark
def get_test_hive():
    if _test_hive is None:
        sc = get_test_spark()
        jsc = test_spark._jsc.sc()
        _test_hive = sc._jvm.org.apache.spark.sql.hive.test.TestHiveContext(jsc)
    return _test_hive

然后,您只需在测试中导入这些函数即可。

my_test.py:

from test_contexts import get_test_spark, get_test_hive
def test_some_spark_thing():
    sc = get_test_spark()
    sqlContext = get_test_hive()
    # etc

最新更新