scala - 小数据大小与可用内存的执行程序 OutOfMemoryExceptions

Question

给定一个简单的案例类

  case class Rating(user: Int, item: Int, rating: Double)

和两个RDD[Rating]:我们得到的 OOME 在两个 RDD 之间有大约 700 万个条目。

我们配置了一个具有 30.4GB RAM 的单个执行器。对于每个 Rating 条目来说，这是一个巨大的开销。我无法证明这一点:Int 和 Double 的原始原语在 64 位平台上是 8 个字节。那么同样的 Java 表示以及 Case 类都会有开销。但总而言之，对于 JVM 中的单个 Rating 条目，我们仍然应该小于 200 字节。

假设有 30.4GB RAM 和 7M 对象 - 那么每个对象的表观内存使用量将超过4KB。那不计算。

这里是集群和作业信息，显示单个执行器有 30.4GB:

请注意，我们还通过在 KryoSerializer 中注册 Rating 类来启用 kryo 序列化并启用

 spark.rdd.compress=true

这些并没有影响 OOME。

RDD 表示形式是否会使内存使用量膨胀得更多？或者问题是大多数执行器 RAM 根本没有被用于此目的 - 并且 OOME 是由于其他原因而发生的？

这是最终的 OOME - 它在作业开始几秒钟后发生:

[Dec 06 22:37:32] Generated an implicit feedback dataset with 4501305 ratings for training and 2247105 for test.
Generated dataset in 2644ms
[Stage 0:>                                                          (0 + 1) / 2]Exception in thread "dispatcher-event-loop-5" java.lang.OutOfMemoryError: Java heap space
    at java.util.Arrays.copyOf(Arrays.java:2271)
    at java.io.ByteArrayOutputStream.grow(ByteArrayOutputStream.java:118)
    at java.io.ByteArrayOutputStream.ensureCapacity(ByteArrayOutputStream.java:93)
    at java.io.ByteArrayOutputStream.write(ByteArrayOutputStream.java:153)
    at java.io.ObjectOutputStream$BlockDataOutputStream.write(ObjectOutputStream.java:1852)
    at java.io.ObjectOutputStream.write(ObjectOutputStream.java:708)
    at java.nio.channels.Channels$WritableByteChannelImpl.write(Channels.java:458)
    at org.apache.spark.util.SerializableBuffer$$anonfun$writeObject$1.apply(SerializableBuffer.scala:49)
    at org.apache.spark.util.SerializableBuffer$$anonfun$writeObject$1.apply(SerializableBuffer.scala:47)
    at org.apache.spark.util.Utils$.tryOrIOException(Utils.scala:1219)
    at org.apache.spark.util.SerializableBuffer.writeObject(SerializableBuffer.scala:47)
    at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
    at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:57)
    at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
    at java.lang.reflect.Method.invoke(Method.java:606)
    at java.io.ObjectStreamClass.invokeWriteObject(ObjectStreamClass.java:988)
    at java.io.ObjectOutputStream.writeSerialData(ObjectOutputStream.java:1495)
    at java.io.ObjectOutputStream.writeOrdinaryObject(ObjectOutputStream.java:1431)
    at java.io.ObjectOutputStream.writeObject0(ObjectOutputStream.java:1177)
    at java.io.ObjectOutputStream.defaultWriteFields(ObjectOutputStream.java:1547)
    at java.io.ObjectOutputStream.writeSerialData(ObjectOutputStream.java:1508)
    at java.io.ObjectOutputStream.writeOrdinaryObject(ObjectOutputStream.java:1431)
    at java.io.ObjectOutputStream.writeObject0(ObjectOutputStream.java:1177)
    at java.io.ObjectOutputStream.writeObject(ObjectOutputStream.java:347)
    at org.apache.spark.serializer.JavaSerializationStream.writeObject(JavaSerializer.scala:44)
    at org.apache.spark.serializer.JavaSerializerInstance.serialize(JavaSerializer.scala:101)
    at org.apache.spark.scheduler.cluster.CoarseGrainedSchedulerBackend$DriverEndpoint$$anonfun$launchTasks$1.apply(CoarseGrainedSchedulerBackend.scala:226)
    at org.apache.spark.scheduler.cluster.CoarseGrainedSchedulerBackend$DriverEndpoint$$anonfun$launchTasks$1.apply(CoarseGrainedSchedulerBackend.scala:225)
    at scala.collection.immutable.List.foreach(List.scala:318)
    at org.apache.spark.scheduler.cluster.CoarseGrainedSchedulerBackend$DriverEndpoint.launchTasks(CoarseGrainedSchedulerBackend.scala:225)
    at org.apache.spark.scheduler.cluster.CoarseGrainedSchedulerBackend$DriverEndpoint.org$apache$spark$scheduler$cluster$CoarseGrainedSchedulerBackend$DriverEndpoint$$makeOffers(CoarseGrainedSchedulerBackend.scala:196)
    at org.apache.spark.scheduler.cluster.CoarseGrainedSchedulerBackend$DriverEndpoint$$anonfun$receive$1.applyOrElse(CoarseGrainedSchedulerBackend.scala:123)

注意:如果我们使用稍微少的数据 - 例如具有 500 万个 Rating 的 RDD 则作业可以相对较快(< 40 秒)成功完成。

因此，我们不确定哪些因素将 Spark Worker 的实用性限制在如此低的内存限制范围内。

Answer 1

问题的较大部分似乎是 DRIVER 程序需要的 RAM 比预期多得多。

驱动程序不执行任何 collect、take、groupBy 等操作，而仅执行 count 的操作。不确定为什么 count 需要驱动程序上的大量资源。当我们缩小驱动程序详细信息时，将在此处添加更多详细信息。