Python Spark / Yarn 内存使用情况

Posted 2023-04-15

【中文标题】Python Spark / Yarn 内存使用情况

【英文标题】：Python Spark / Yarn memory usage

【发布时间】：2016-06-24 16:52:01

【问题描述】：

我有一个 spark python 应用程序，由于超出内存限制而被 yarn 杀死。我有一个步骤涉及加载一些有点重的资源（500+ MB），所以我正在使用 mapPartitions。基本上：

def process_and_output(partition):
    resources = load_resources()
    for record in partition:
        yield transform_record(resources, record)

input = sc.textFile(input_location)
processed = input.mapPartitions(process_and_output)
processed.saveAsTextFile(output_location)

运行时，我一直收到此错误：

错误 YarnScheduler: Lost executor 1 on (address removed): 容器因超出内存限制而被 YARN 杀死。使用了 11.4 GB 的 11.2 GB 物理内存。考虑提升 spark.yarn.executor.memoryOverhead。

我尝试将 memoryOverhead 提高到极高，但仍然是同样的问题。我跑了：

--conf "spark.python.worker.memory=1200m" \
--conf "spark.yarn.executor.memoryOverhead=5300" \
--conf "spark.executor.memory=6g" \

当然，内存开销够了吗？

我想更一般地说，我很难理解 python 工作者的内存是如何控制/计算在总体总数中的。有这方面的文件吗？

我还想了解使用生成器函数是否会真正减少内存使用量。它会通过 python 进程流式传输数据（就像我希望的那样），还是会在发送回 JVM/spark 基础设施之前缓冲所有数据？

【参考方案1】：

Yarn 在它的时候杀死 executor

memory usage > (executor-memory + executor.memoryOverhead)

从您的设置看来，这是一个有效的例外。

(memory usage) 11.4GB > 11.18GB (executor-memory=6GB + memoryOverhead=5.18GB)

试试

--conf "spark.yarn.executor.memoryOverhead=6144"`

【讨论】：

喜欢这个解释。感谢您保持真实。

帮帮我！ THX

【参考方案2】：

正如您所见，11.2 GB 是由 yarn 创建的容器的最大内存。它等于执行器内存+开销。所以python内存不算在内。

Exception 希望您增加开销，但您可以只增加执行程序内存而不增加开销内存。我只能说这么多，但不知道为什么单个执行程序需要这么多内存，可能是笛卡尔或类似的东西可能需要这么多内存。

【参考方案3】：

两年半后...我碰巧在阅读spark release notes 并看到这个：

添加 spark.executor.pyspark.memory 限制

有了这个链接的错误：https://issues.apache.org/jira/browse/SPARK-25004

我早就解决了我最初的问题，然后换了工作，所以我不再有能力尝试这个。但我怀疑这可能正是我遇到的问题。

【讨论】：

这非常有用。谢谢！