PySpark: java.lang.OutofMemoryError: Java heap space

Question

我最近在我的服务器上使用 PySpark 和 Ipython，有 24 个 CPU 和 32GB 内存。它运行仅在一台机器上。在我的过程中，我想收集大量数据，如下面的代码所示：

train_dataRDD = (train.map(lambda x:getTagsAndText(x))
.filter(lambda x:x[-1]!=[])
.flatMap(lambda (x,text,tags): [(tag,(x,text)) for tag in tags])
.groupByKey()
.mapValues(list))

当我做

training_data =  train_dataRDD.collectAsMap()

它给我 outOfMemory 错误。 Java heap Space。此外，在出现此错误后我无法对 Spark 执行任何操作，因为它失去了与 Java 的连接。它给出 Py4JNetworkError: Cannot connect to the java server.

看起来堆 space 很小。我怎样才能将它设置为更大的限制？

编辑:

我之前尝试过的事情运行： sc._conf.set('spark.executor.memory','32g').set('spark.driver.memory','32g').set('spark.driver.maxResultsSize','0')

我根据此处的文档更改了 spark 选项（如果您执行 ctrl-f 并搜索 spark.executor.extraJavaOptions）：http://spark.apache.org/docs/1.2.1/configuration.html

它说我可以通过设置 spark.executor.memory 选项来避免 OOM。我做了同样的事情，但它似乎不起作用。

Answer 1

在尝试了大量配置参数后，我发现只有一个需要更改以启用更多堆 space，即 spark.driver.memory。

sudo vim $SPARK_HOME/conf/spark-defaults.conf
#uncomment the spark.driver.memory and change it according to your use. I changed it to below
spark.driver.memory 15g
# press : and then wq! to exit vim editor

关闭您现有的 spark 应用程序并重新运行它。您不会再遇到此错误。 :)

Answer 2

我在 pyspark（与 brew 一起安装）中遇到了同样的问题。在我的例子中，它安装在路径 /usr/local/Cellar/apache-spark.

上

我唯一的配置文件在 apache-spark/2.4.0/libexec/python//test_coverage/conf/spark-defaults.conf。

按照建议 here 我在路径 /usr/local/Cellar/apache-spark/2.4.0/libexec/conf/spark-defaults.conf 中创建了文件 spark-defaults.conf 并附加了行 spark.driver.memory 12g.

Answer 3

如果您正在寻找从脚本或 jupyter notebook 中进行设置的方法，您可以这样做：

from pyspark.sql import SparkSession

spark = SparkSession.builder \
    .master('local[*]') \
    .config("spark.driver.memory", "15g") \
    .appName('my-cool-app') \
    .getOrCreate()

PySpark: java.lang.OutofMemoryError: Java heap space

PySpark: java.lang.OutofMemoryError: Java heap space

java

apache-spark

out-of-memory

heap-memory

pyspark