时间戳

首页 > 解决方案 > SparkR org.apache.spark.SparkException：R 工作人员意外退出

apache-spark - SparkR org.apache.spark.SparkException：R 工作人员意外退出

问题描述

我正在尝试执行 SparkR gapply，本质上是当我尝试使用限制为大约 300k 行的输入文件运行它时，它可以工作，但是扩展到大约 120 万行时，我在许多执行程序任务中的 stderr 中得到以下重复出现的异常 - 大致70% 的任务完成，而其他任务失败或被杀死。失败的有相同的错误输出：

org.apache.spark.SparkException: R worker exited unexpectedly (cranshed)
    at org.apache.spark.api.r.RRunner.org$apache$spark$api$r$RRunner$$read(RRunner.scala:240)
    at org.apache.spark.api.r.RRunner$$anon$1.next(RRunner.scala:91)
    at scala.collection.Iterator$$anon$11.next(Iterator.scala:409)
    at scala.collection.Iterator$$anon$11.next(Iterator.scala:409)
    at org.apache.spark.sql.catalyst.expressions.GeneratedClass$GeneratedIterator.agg_doAggregateWithKeys$(Unknown Source)
    at org.apache.spark.sql.catalyst.expressions.GeneratedClass$GeneratedIterator.processNext(Unknown Source)
    at org.apache.spark.sql.execution.BufferedRowIterator.hasNext(BufferedRowIterator.java:43)
    at org.apache.spark.sql.execution.WholeStageCodegenExec$$anonfun$8$$anon$1.hasNext(WholeStageCodegenExec.scala:395)
    at scala.collection.Iterator$$anon$11.hasNext(Iterator.scala:408)
    at org.apache.spark.shuffle.sort.BypassMergeSortShuffleWriter.write(BypassMergeSortShuffleWriter.java:125)
    at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:96)
    at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:53)
    at org.apache.spark.scheduler.Task.run(Task.scala:108)
    at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:346)
    at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1149)
    at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:624)
    at java.lang.Thread.run(Thread.java:748)
Caused by: java.io.EOFException
    at java.io.DataInputStream.readInt(DataInputStream.java:392)
    at org.apache.spark.api.r.RRunner.org$apache$spark$api$r$RRunner$$read(RRunner.scala:212)
    ... 16 more

除了分配更多内存之外，还有哪些调整参数需要考虑？我相信 SparkR 不像 PySpark 或 Scala 那样广泛使用，有时它们的调整参数可能会有所不同，因此我们将不胜感激任何形式的帮助。

这是在 Databricks/AWS 集群上运行的 - 20 个工作节点，30.5 GB 内存，每个 4 核。

在我们的用例中，该gapply函数在最多 10 个行数据帧上运行，最多将 20 列拆分为 4 个 R 数据帧，然后使用 R 包将这些数据帧输入线性优化求解器NlcOptim,quadprog。

标签： apache-sparksparkrdatabricks

解决方案

使用 .cache() 并再次尝试解决此问题。

推荐阅读