sparklyr 堆空间不足，但内存充足

Question

即使在相当小的数据集上，我也会遇到堆空间错误。我可以确定我没有耗尽系统内存。例如，考虑一个包含大约 20M 行和 9 列的数据集，它在磁盘上占用 1GB。我在具有 30GB 内存的 Google Compute 节点上使用它。

假设我在名为 df 的数据框中有这些数据.以下工作正常，虽然有点慢:

library(tidyverse) 
uniques <- search_raw_lt %>%
    group_by(my_key) %>%
    summarise() %>%
    ungroup()

以下抛出 java.lang.OutOfMemoryError: Java heap space .

library(tidyverse)
library(sparklyr)
sc <- spark_connect(master = "local")

df_tbl <- copy_to(sc, df)

unique_spark <- df_tbl %>%
  group_by(my_key) %>%
  summarise() %>%
  ungroup() %>%
  collect()

我试过 this suggestion用于将堆空间增加到 Spark。问题仍然存在。在 htop 上查看机器状态，我看到总内存使用量永远不会超过大约 10GB。

library(tidyverse)
library(sparklyr)

config <- spark_config()
config[["sparklyr.shell.conf"]] <- "spark.driver.extraJavaOptions=-XX:MaxHeapSize=24G"

sc <- spark_connect(master = "local")

df_tbl <- copy_to(sc, df)

unique_spark <- df_tbl %>%
  group_by(my_key) %>%
  summarise() %>%
  ungroup() %>%
  collect()

最后，根据 Sandeep 的评论，我尝试降低 MaxHeapSize至 4G . ( MaxHeapSize 是每个虚拟 worker 还是整个 Spark 本地实例？)我仍然遇到堆空间错误，而且我没有使用太多系统内存。

Answer 1

在查看 Sandeep 的建议时，我开始深入研究 sparklyr deployment notes .这些提到驱动程序在此阶段可能会耗尽内存，并调整一些设置以纠正它。

这些设置并没有解决问题，至少在最初没有解决。但是，将问题隔离到 collect舞台让我找到了similar problems在 SO 上使用 SparkR。

这些答案部分取决于设置环境变量 SPARK_MEM .把它们放在一起，我让它按如下方式工作:

library(tidyverse)
library(sparklyr)

# Set memory allocation for whole local Spark instance
Sys.setenv("SPARK_MEM" = "13g")

# Set driver and executor memory allocations
config <- spark_config()
config$spark.driver.memory <- "4G"
config$spark.executor.memory <- "1G"

# Connect to Spark instance
sc <- spark_connect(master = "local")

# Load data into Spark
df_tbl <- copy_to(sc, df)

# Summarise data
uniques <- df_tbl %>%
  group_by(my_key) %>%
  summarise() %>%
  ungroup() %>%
  collect()