时间戳

首页 > 解决方案 > Spark java.lang.OutOfMemoryError：Java 堆空间

apache-spark - Spark java.lang.OutOfMemoryError：Java 堆空间

问题描述

当我使用 spark 运行模型训练管道时出现上述错误

`val inputData = spark.read
  .option("header", true)
  .option("mode","DROPMALFORMED")
  .csv(input)
  .repartition(500)
  .toDF("b", "c")
  .withColumn("b", lower(col("b")))
  .withColumn("c", lower(col("c")))
  .toDF("b", "c")
  .na.drop()`

inputData有大约 2500 万行，大小约为 2gb。模型构建阶段是这样发生的

val tokenizer = new Tokenizer()
  .setInputCol("c")
  .setOutputCol("tokens")

val cvSpec = new CountVectorizer()
  .setInputCol("tokens")
  .setOutputCol("features")
  .setMinDF(minDF)
  .setVocabSize(vocabSize)

val nb = new NaiveBayes()
  .setLabelCol("bi")
  .setFeaturesCol("features")
  .setPredictionCol("prediction")
  .setSmoothing(smoothing)

new Pipeline().setStages(Array(tokenizer, cvSpec, nb)).fit(inputData)

我正在使用以下命令在具有 16gb RAM 的机器上本地运行上述 spark 作业

spark-submit --class holmes.model.building.ModelBuilder ./holmes-model-building/target/scala-2.11/holmes-model-building_2.11-1.0.0-SNAPSHOT-7d6978.jar --master local[*] --conf spark.serializer=org.apache.spark.serializer.KryoSerializer --conf spark.kryoserializer.buffer.max=2000m --conf spark.driver.maxResultSize=2g --conf spark.rpc.message.maxSize=1024 --conf spark.memory.offHeap.enabled=true --conf spark.memory.offHeap.size=50g --driver-memory=12g

oom 错误由 org.apache.spark.util.collection.ExternalSorter.writePartitionedFile(ExternalSorter.scala:706) 触发（在堆栈跟踪的底部）

日志：

Caused by: java.lang.OutOfMemoryError: Java heap space at java.lang.reflect.Array.newInstance(Array.java:75) at java.io.ObjectInputStream.readArray(ObjectInputStream.java:1897) at java.io.ObjectInputStream.readObject0(ObjectInputStream.java:1529) java.io.ObjectInputStream.readOrdinaryObject(ObjectInputStream.java:2027) at java.io.ObjectInputStream.readObject0(ObjectInputStream.java:1535) org.apache.spark.util.collection.ExternalSorter.writePartitionedFile(ExternalSorter.scala:706)

任何建议都会很棒:)

标签： apache-sparkout-of-memoryspark-submit

解决方案

我会尝试的事情：

1) 删除spark.memory.offHeap.enabled=true驱动程序内存并将其增加到盒子上可用内存的 90%。您可能已经意识到这一点，因为您没有设置执行程序内存，但是在本地模式下，驱动程序和执行程序都在由驱动程序内存控制的同一进程中运行。我还没有尝试过，但该offHeap功能听起来价值有限。参考

2）一个实际的集群而不是本地模式。更多的节点显然会给你更多的内存。

3a) 如果您想坚持使用本地模式，请尝试使用更少的内核。您可以通过指定在主设置中使用的核心数量来做到这一点，--master local[4]而不是local[*]使用所有核心。使用更少的线程同时处理数据将导致在任何给定时间在 RAM 中的数据更少。

3b) 如果您移动到集群，您可能还需要调整执行器核心的数量，原因与上述相同。您可以使用--executor-cores标志来执行此操作。

4）尝试更多的分区。在您的示例代码中，您重新分区为 500 个分区，也许尝试 1000 或 2000？更多分区意味着每个分区更小，内存压力更小。

推荐阅读