生成多个字符串时如何避免这种内存不足错误？

Question

我正在执行基准测试任务，我需要生成数百万行事件 json。

这是我的示例代码：

def generateEntry() = {
 s"""
    |{
    | "memberId": ${java.util.UUID.randomUUID.toString},
    | "first_name": ${nameRandomizer},
    | "last_name": ${nameRandomizer
    |}""".stripMargin
}

// Generate 1000000 rows of Json String with fields: memberId, first_name, last_name
val entryList = mutable.ListBuffer[String]()
for (_ <- 1 to 1000000) {
 entryList += generateEntry()
}

val inputRDD: RDD[String] = sc.parallelize(entryList.result())

但是这会导致错误：

Java.lang.OutOfMemoryError: Java heap space
    at java.util.Arrays.copyOf(Arrays.java:3332)
    at java.lang.AbstractStringBuilder.ensureCapacityInternal(AbstractStringBuilder.java:124)
    at java.lang.AbstractStringBuilder.append(AbstractStringBuilder.java:448)
    at java.lang.StringBuilder.append(StringBuilder.java:136)
    at scala.StringContext.standardInterpolator(StringContext.scala:126)
    at scala.StringContext.s(StringContext.scala:95)

顺便说一下，我正在用 spark 编码。我试过批量执行此操作，但似乎仍然会出现错误。请让我知道，或提供示例代码，我可以将其用作解决此问题的指南。谢谢！

Answer 1

不需要列表缓冲区。您可以将 Spark 范围映射到您的函数：

val inputRDD: RDD[String] = spark.range(1000000).rdd.map(x => generateEntry())

生成多个字符串时如何避免这种内存不足错误？

How to Avoid this Out of Memory Error when Generating Multiple Strings?

java

scala

apache-spark

out-of-memory

rdd