单个 RDD 记录可以有多大？答案

【问题标题】：How large can a single RDD record be?单个 RDD 记录可以有多大？
【发布时间】：2016-06-23 11:12:41
【问题描述】：

我有一个这样的 RDD：

val graphInfo: RDD[(Long, Int, Long, Long, Iterable[Long])]

节点用Long类型整数表示，将存储在graphInfo的Iterable[Long]中。 Iterable 中可以包含多少个元素？单个 RDD 记录的大小有哪些限制（如果有）？

【问题讨论】：

Iterable 的长度没有限制。它可能是无限的。
我只是不确定 RDD 的 Iterable 中的元素过多是否会导致 spark 崩溃。
这是一个不同的问题，关于 Spark，而不是 Scala。我怀疑是否有任何固定限制，但最终你会耗尽节点上的内存。真正的大数据聚合应该是 RDD 本身，而不是单个条目。用例是什么？
我们想要分层聚类一个巨大的图。在每一步中，我们都需要将节点存储在集群中以进行下一次分区。每个集群在 RDD 中都有一个条目，该条目包含存储在一个 iterable[Long] 中的所有节点。
那么，这是对图形建模的错误方法。如果您的 RDD 只包含几行，每行都非常大，那么使用 Spark 将一无所获。

【解决方案1】：

Iterable 中可以包含多少个元素

一个可迭代对象可能包含无限的元素。例如，如果可迭代对象来自流式源，只要该流式源可用，您就会收到元素。

我只是不确定 RDD 的 Iterable 中是否会有太多元素使火花崩溃

这再次取决于您如何填充可迭代对象。如果你的 spark 作业有足够的内存，你应该没问题。找出答案的最好方法是简单地通过跟踪和错误，以及理解sparks limitations for RDD's memory size

【讨论】：

【解决方案2】：

如前所述，元素的数量没有限制。

但是，单个 RDD 记录使用的内存量可能会受到限制：Spark 将最大 partition 大小限制为 2GB（见SPARK-6235）。每个分区都是记录的集合，所以理论上一条记录的上限是2GB（当每个分区包含一个单个记录时达到这个限制）。

实际上，不鼓励超过几兆字节的记录，因为上面提到的限制可能会迫使您人为地增加分区数，使其超出最佳值。 Spark 的所有优化考虑都是为了处理尽可能多的记录（给定足够的资源），而不是处理尽可能大的记录。

【讨论】：