带有 tez 的 aws emr 上的 Pig 脚本偶尔会因 OutOfMemoryException 而失败

Question

我在使用自定义 UDF 的 emr 集群 (emr-5.4.0) 上有一个 pig 脚本运行ning。 UDF 用于查找一些维度数据，它为此导入（有点）大量文本数据。

在pig脚本中，UDF使用如下：

DEFINE LookupInteger com.ourcompany.LookupInteger(<some parameters>);

UDF 在Map<Integer, Integer>

中存储了一些数据

在某些输入数据上聚合失败，出现如下异常

java.lang.OutOfMemoryError: GC overhead limit exceeded
    at java.lang.String.split(String.java:2377)
    at java.lang.String.split(String.java:2422)
    [...]
    at com.ourcompany.LocalFileUtil.toMap(LocalFileUtil.java:71)
    at com.ourcompany.LookupInteger.exec(LookupInteger.java:46)
    at com.ourcompany.LookupInteger.exec(LookupInteger.java:19)
    at org.apache.pig.backend.hadoop.executionengine.physicalLayer.expressionOperators.POUserFunc.getNext(POUserFunc.java:330)
    at org.apache.pig.backend.hadoop.executionengine.physicalLayer.expressionOperators.POUserFunc.getNextInteger(POUserFunc.java:379)
    at org.apache.pig.backend.hadoop.executionengine.physicalLayer.PhysicalOperator.getNext(PhysicalOperator.java:347)
    at org.apache.pig.backend.hadoop.executionengine.physicalLayer.expressionOperators.POBinCond.genericGetNext(POBinCond.java:76)
    at org.apache.pig.backend.hadoop.executionengine.physicalLayer.expressionOperators.POBinCond.getNextInteger(POBinCond.java:118)
    at org.apache.pig.backend.hadoop.executionengine.physicalLayer.PhysicalOperator.getNext(PhysicalOperator.java:347)

当 pig 聚合为运行和 mapreduce 时不会发生这种情况，因此我们的解决方法是将 pig -t tez 替换为 pig -t mapreduce。

由于我是 amazon emr 的新手，并且是 tez 的小猪，我希望得到一些关于如何分析或调试问题的提示。

编辑： 运行在 tez 堆栈上运行ning 猪脚本时，这看起来像是一个奇怪的运行time 行为。

请注意 pig 脚本正在使用

复制连接（要连接的较小关系需要装入内存）和
已经提到的 UDF，正在初始化 Map<Integer, Interger> 产生上述 OutOfMemoryError。

Answer 1

我们发现了另一个使用 tez 后端的解决方法。使用 mapreduce.map.memory.mb 和 mapreduce.map.java.opts 的增加值（mapreduce.map.memory.mb 的 0.8 倍）。这些值绑定到 ec2 实例类型，通常是固定值（参见 aws emr task config）。

通过（暂时）将值加倍，我们能够使 pig 脚本成功。

为具有默认值的 m3.xlarge 核心实例设置了以下值：

mapreduce.map.java.opts := -Xmx1152m
mapreduce.map.memory.mb := 1440

猪启动命令

pig -Dmapreduce.map.java.opts=-Xmx2304m \
    -Dmapreduce.map.memory.mb=2880 -stop_on_failure -x tez ... script.pig

编辑

一位同事提出了以下想法：

OutOfMemory: GC overhead limit exceeded 的另一种解决方法可能是为有问题的关系添加显式 STORE 和 LOAD 语句，这将使 tez 将数据刷新到存储中。这也有助于调试问题，因为可以使用其他 pig 脚本观察（临时、中间）数据。

带有 tez 的 aws emr 上的 Pig 脚本偶尔会因 OutOfMemoryException 而失败

Pig script on aws emr with tez occasionally fails with OutOfMemoryException

apache-pig

emr

tez