sparklyr中的堆空间不足，但有足够的内存

Posted 2023-03-23

【中文标题】sparklyr中的堆空间不足，但有足够的内存

【英文标题】：Running out of heap space in sparklyr, but have plenty of memory

【发布时间】：2017-05-14 01:15:21

【问题描述】：

即使是相当小的数据集，我也会遇到堆空间错误。我可以确定我没有用完系统内存。例如，考虑一个包含大约 20M 行和 9 列的数据集，它占用 1GB 磁盘空间。我正在使用 30gb 内存的 Google Compute 节点上使用它。

假设我在一个名为df 的数据框中有这些数据。以下工作正常，虽然有点慢：

library(tidyverse) 
uniques <- search_raw_lt %>%
    group_by(my_key) %>%
    summarise() %>%
    ungroup()

以下抛出java.lang.OutOfMemoryError: Java heap space。

library(tidyverse)
library(sparklyr)
sc <- spark_connect(master = "local")

df_tbl <- copy_to(sc, df)

unique_spark <- df_tbl %>%
  group_by(my_key) %>%
  summarise() %>%
  ungroup() %>%
  collect()

我尝试this suggestion 为 Spark 增加堆空间。问题仍然存在。在htop 上查看机器的状态，我发现总内存使用量从未超过 10gb。

library(tidyverse)
library(sparklyr)

config <- spark_config()
config[["sparklyr.shell.conf"]] <- "spark.driver.extraJavaOptions=-XX:MaxHeapSize=24G"

sc <- spark_connect(master = "local")

df_tbl <- copy_to(sc, df)

unique_spark <- df_tbl %>%
  group_by(my_key) %>%
  summarise() %>%
  ungroup() %>%
  collect()

最后，根据 Sandeep 的评论，我尝试将 MaxHeapSize 降低到 4G。 （MaxHeapSize 是每个虚拟工作者还是整个 Spark 本地实例？）我仍然遇到堆空间错误，而且我没有使用太多系统内存。

【问题讨论】：

将MaxHeapSize=24G 减少到MaxHeapSize=4GB，因为你只有1 GB 的数据。它不需要 24 GB 内存。即使是 4GB 也足够了。

谢谢；它仍然得到错误。我澄清了问题的文本以解决这个问题。

您能否发布您用来运行此作业的 spark 提交命令？？

来自 spark 文档： spark.driver.extraJavaOptions:- 传递给驱动程序的额外 JVM 选项字符串。例如，GC 设置或其他日志记录。注意：在客户端模式下，这个配置不能直接在你的应用程序中通过 SparkConf 设置，因为此时驱动程序 JVM 已经启动。相反，请通过--driver-java-options 命令行选项或在您的默认属性文件中进行设置。你也是这样吗？？

你知道如何从 sparklyr 获取 spark 提交吗？我可以获取日志，但不能获取提交到集群的实际作业。

【参考方案1】：

在查看 Sandeep 的建议时，我开始深入研究 sparklyr deployment notes。这些提到驱动程序在这个阶段可能会耗尽内存，并调整一些设置来纠正它。

这些设置并没有解决问题，至少一开始没有。但是，将问题隔离到 collect 阶段使我能够在 SO 上使用 SparkR 找到 similar problems。

这些答案部分取决于设置环境变量SPARK_MEM。把它们放在一起，我得到它的工作如下：

library(tidyverse)
library(sparklyr)

# Set memory allocation for whole local Spark instance
Sys.setenv("SPARK_MEM" = "13g")

# Set driver and executor memory allocations
config <- spark_config()
config$spark.driver.memory <- "4G"
config$spark.executor.memory <- "1G"

# Connect to Spark instance
sc <- spark_connect(master = "local")

# Load data into Spark
df_tbl <- copy_to(sc, df)

# Summarise data
uniques <- df_tbl %>%
  group_by(my_key) %>%
  summarise() %>%
  ungroup() %>%
  collect()