`maxResultSize` 包含什么以及所有驱动程序内存在哪里

What does `maxResultSize` encompass and where is all the Driver Memory

我们正在使用 Apache Spark 2.1.1 生成一些每日报告。这些报告是根据一些日常数据生成的,我们在 运行 分别针对每个单元的报告并将它们合并在一起之前保留这些数据。这是我们正在做的事情的简化版本:

def unitReport(d: Date, df: DataFrame, u: String): DataFrame = ... // Builds a report based on unit `u`
val date: Date = ... // Date to run the report
val dailyData: DataFrame = someDailyData.persist()  // Daily data

val units: Seq[String] = Seq("Unit_A", "Unit_B", "Unit_C")
val report: DataFrame =
  units.map(unitReport(date, dailyData, _)) // Report for each unit.
    .reduce((a, b) => a.union(b))           // Join all the units together.

在此之后,我们将报告作为 csv 写入 HDFS,将各部分连接在一起,然后通过电子邮件发送报告。

我们已经开始遇到这些报告中最大的问题,该报告在大约五十个单位上运行。我们不断提高最大结果大小(现在为 10G)以及驱动器内存并不断达到它。这里令人困惑的事情是 a) 我们从来没有将结果拉回到驱动程序和 b) 最终输出的报告仅占用 145k 和 1298 行 CSV 格式,为什么我们要传递 8G 的 maxResultSize?我们觉得有些东西我们不了解 Spark 如何管理内存,resultSize 中究竟包含什么,以及将什么发送回驱动程序,但很难找到任何解释或文档。这是报告最后阶段的片段,就在它开始之前 运行 内存不足,让您了解报告的复杂性:

[Stage 2297:===========================================>    (4822 + 412) / 5316]
[Stage 2297:===========================================>    (4848 + 394) / 5316]
[Stage 2297:============================================>   (4877 + 370) / 5316]
[Stage 2297:============================================>   (4909 + 343) / 5316]
[Stage 2297:============================================>   (4944 + 311) / 5316]
[Stage 2297:============================================>   (4964 + 293) / 5316]
[Stage 2297:============================================>   (4980 + 278) / 5316]
[Stage 2297:=============================================>  (4996 + 266) / 5316]
[Stage 2297:=============================================>  (5018 + 246) / 5316]

我们发现了我们认为与以下代码相似的记忆效应:

import org.apache.spark.mllib.random.RandomRDDs._
val df = normalRDD(sc, 1000000000L, 1000000).toDF()
df.filter($"value" > 0.9).count()

虽然此代码只是 returns 一个简单的计数,但当我们最终在驱动程序上遇到此内存不足错误时:

java.lang.OutOfMemoryError: GC overhead limit exceeded
at scala.collection.mutable.ListBuffer.$plus$eq(ListBuffer.scala:174)
at scala.collection.mutable.ListBuffer.$plus$eq(ListBuffer.scala:45)
at scala.collection.generic.Growable$class.loop(Growable.scala:53)
at scala.collection.generic.Growable$class.$plus$plus$eq(Growable.scala:57)

当我们监视驱动程序上的日志时,我们发现它正在不断地进行完整的垃圾收集,并且总内存逐渐增加:

2.095: [GC [PSYoungGen: 64512K->8399K(74752K)] 64512K->8407K(244224K), 0.0289150 secs] [Times: user=0.05 sys=0.02, real=0.02 secs] 
3.989: [GC [PSYoungGen: 72911K->10235K(139264K)] 72919K->10709K(308736K), 0.0257280 secs] [Times: user=0.04 sys=0.02, real=0.02 secs] 
5.936: [GC [PSYoungGen: 139259K->10231K(139264K)] 139733K->67362K(308736K), 0.0741340 secs] [Times: user=0.40 sys=0.12, real=0.07 secs] 
10.842: [GC [PSYoungGen: 139255K->10231K(268288K)] 196386K->86311K(437760K), 0.0678030 secs] [Times: user=0.28 sys=0.07, real=0.07 secs] 
19.282: [GC [PSYoungGen: 268279K->10236K(268288K)] 344359K->122829K(437760K), 0.0642890 secs] [Times: user=0.32 sys=0.10, real=0.06 secs] 
22.981: [GC [PSYoungGen: 268284K->30989K(289792K)] 380877K->143582K(459264K), 0.0811960 secs] [Times: user=0.20 sys=0.07, real=0.08 secs] 

有人知道发生了什么事吗?任何解释或文档指针将不胜感激。

很难确定,但我猜这与 DataFrame 中的 分区总数 有关,这是减少的结果,并且您拥有的单元越多,数字可能越大,因为 a.union(b) 中的分区数是 ab 的分区数之和。

虽然 数据 没有存储在/发送给 Driver,Driver 确实管理代表所有 partitions任务分配给每一个;如果您的 DataFrame 最终有数百万个分区,Driver 将创建(然后使用 GC 收集)数百万个对象。

所以,尝试改变并集操作以包含一个coalesce操作来限制分区总数:

val MaxParts = dailyData.rdd.partitions.length * 2 // or anything, but something reasonable

val report: DataFrame =
  units.map(unitReport(date, dailyData, _))
    .reduce((a, b) => a.union(b).coalesce(MaxParts))