Spark在按键分组时内存不足

15

我试图使用托管在EC2上的Spark,使用这个指南对常见爬取数据执行简单的转换。 我的代码如下:

package ccminer

import org.apache.spark.SparkContext
import org.apache.spark.SparkContext._

object ccminer {
  val english = "english|en|eng"
  val spanish = "es|esp|spa|spanish|espanol"
  val turkish = "turkish|tr|tur|turc"
  val greek = "greek|el|ell"
  val italian = "italian|it|ita|italien"
  val all = (english :: spanish :: turkish :: greek :: italian :: Nil).mkString("|")

  def langIndep(s: String) = s.toLowerCase().replaceAll(all, "*")

  def main(args: Array[String]): Unit = {
    if (args.length != 3) {
      System.err.println("Bad command line")
      System.exit(-1)
    }

    val cluster = "spark://???"
    val sc = new SparkContext(cluster, "Common Crawl Miner",
      System.getenv("SPARK_HOME"), Seq("/root/spark/ccminer/target/scala-2.10/cc-miner_2.10-1.0.jar"))

    sc.sequenceFile[String, String](args(0)).map {
      case (k, v) => (langIndep(k), v)
    }
    .groupByKey(args(2).toInt)
    .filter {
      case (_, vs) => vs.size > 1
    }
    .saveAsTextFile(args(1))
  }
}

我正在使用以下命令运行它:

sbt/sbt "run-main ccminer.ccminer s3n://aws-publicdatasets/common-crawl/parse-output/segment/1341690165636/textData-* s3n://parallelcorpus/out/ 2000"

但很快就会出现以下错误:

java.lang.OutOfMemoryError: Java heap space
at com.ning.compress.BufferRecycler.allocEncodingBuffer(BufferRecycler.java:59)
at com.ning.compress.lzf.ChunkEncoder.<init>(ChunkEncoder.java:93)
at com.ning.compress.lzf.impl.UnsafeChunkEncoder.<init>(UnsafeChunkEncoder.java:40)
at com.ning.compress.lzf.impl.UnsafeChunkEncoderLE.<init>(UnsafeChunkEncoderLE.java:13)
at com.ning.compress.lzf.impl.UnsafeChunkEncoders.createEncoder(UnsafeChunkEncoders.java:31)
at com.ning.compress.lzf.util.ChunkEncoderFactory.optimalInstance(ChunkEncoderFactory.java:44)
at com.ning.compress.lzf.LZFOutputStream.<init>(LZFOutputStream.java:61)
at org.apache.spark.io.LZFCompressionCodec.compressedOutputStream(CompressionCodec.scala:60)
at org.apache.spark.storage.BlockManager.wrapForCompression(BlockManager.scala:803)
at org.apache.spark.storage.BlockManager$$anonfun$5.apply(BlockManager.scala:471)
at org.apache.spark.storage.BlockManager$$anonfun$5.apply(BlockManager.scala:471)
at org.apache.spark.storage.DiskBlockObjectWriter.open(BlockObjectWriter.scala:117)
at org.apache.spark.storage.DiskBlockObjectWriter.write(BlockObjectWriter.scala:174)
at org.apache.spark.scheduler.ShuffleMapTask$$anonfun$runTask$1.apply(ShuffleMapTask.scala:164)
at org.apache.spark.scheduler.ShuffleMapTask$$anonfun$runTask$1.apply(ShuffleMapTask.scala:161)
at scala.collection.Iterator$class.foreach(Iterator.scala:727)
at scala.collection.AbstractIterator.foreach(Iterator.scala:1157)
at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:161)
at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:102)
at org.apache.spark.scheduler.Task.run(Task.scala:53)
at org.apache.spark.executor.Executor$TaskRunner$$anonfun$run$1.apply$mcV$sp(Executor.scala:213)
at org.apache.spark.deploy.SparkHadoopUtil.runAsUser(SparkHadoopUtil.scala:49)
at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:178)
at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1145)
at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:615)
at java.lang.Thread.run(Thread.java:744)

所以我的基本问题是,如何编写一个可以按键分组并具有几乎无限量输入但不会耗尽内存的Spark任务?


你正在运行哪个实例大小? - datasage
https://dev59.com/DmEi5IYBdhLWcg3wltIl#22742982 - samthebest
2个回答

16
在shuffle任务(如groupByKey、reduceByKey等)中,导致java.lang.OutOfMemoryError异常最常见的原因是parallelism水平较低。 您可以通过在configuration中设置spark.default.parallelism属性来增加默认值。

4
同时将太少的分区合并也会导致这种情况发生。 - jbrown
@jbrown 有道理! - gsamaras

6
这说明您已经用完了JVM的分配的堆空间。您可以增加堆大小,但仍受系统能力限制(不能超过物理RAM的数量)。
另一方面,正如homutov所解释的那样,这种情况发生在大型收集操作中。例如groupByKey、reduceByKey、cartisien + mapToPair等操作将RDD数据收集到一个地方,使JVM耗尽堆空间。
你能做什么?
根据我的经验,在集群/系统资源有限的情况下,您可以使用Spark调优指南。可以增加spark.default.parallelism直到您可以将任务放入您的集群/系统中[我曾通过调整并行性在我的笔记本电脑虚拟机上运行了一个KNN实现,包含14000个实例和1024个特征的数据集]。
Command line flag :   --conf spark.default.parallelism=4   ; 4 is the parallelism value

记住,您需要调整这些功能以获得最佳的Spark结果并避免失败(堆溢出)设置。
此外,请记住使用原始数据类型而不是包装类,并使用数组而不是集合。
 ex :  List<Integers> vs int[] ; int[] is better than List 

在Spark中,数组可以节省很多宝贵的空间并提高性能。 同时使用广播变量而不是笛卡尔积或任何大型组合任务。

1
可以在以下网址找到有关何时、如何以及为什么要广播的良好介绍:https://jaceklaskowski.gitbooks.io/mastering-apache-spark/content/spark-broadcast.html - Boern
1
笔误:spark.default.parallelism 而非 spark.defualt.parallelism - Remy

网页内容由stack overflow 提供, 点击上面的
可以查看英文原文,
原文链接