Spark按key分组时内存不足

Question

我正在尝试使用 this guide 在 EC2 上使用 Spark 主机对常见爬网数据进行简单转换，我的代码如下所示：

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"

但很快它就会失败并出现以下错误

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，要编写一个 Spark 任务，该任务可以通过几乎无限量的输入按键分组而不会耗尽内存，需要什么？

Answer 1

shuffle任务（如groupByKey、reduceByKey等）中java.lang.OutOfMemoryError异常最常见的原因是parallelism的低级别。

您可以通过在configuration 中设置 spark.default.parallelism 属性来增加默认值。

Answer 2

所以这表示您已用完分配的 JVM 的堆空间。您可以增加堆大小，但这仍然受到系统功能的限制（不能超过物理 RAM 的数量）。

另一方面，正如 homutov 所解释的，这发生在大型收集操作中。例如 groupByKey、reduceByKey、cartisien + mapToPair。这些操作会将 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，当集群/系统资源有限时，您可以使用Spark tuning guide。 spark.default.parallelism 可以增加，直到您可以将任务伴随到您的集群/系统中[我曾经通过调整并行度在我的笔记本电脑的虚拟机上运行了 14000 个实例、1024 个特征数据集的 KNN 实现]。

Command line flag :   --conf spark.default.parallelism=4   ; 4 is the parallelism value

请记住，您需要调整这些功能以实现最有效和故障避免（堆用完）设置，以便从 Spark 中获得最佳结果。

另外

记得使用 primitive 数据类型而不是 wrappers 。并使用 Arrays 而不是 collections。

 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。

也使用 BroadCast 变量代替笛卡尔积或任何大型组合任务。