缓存()/ persist()的apache-spark内存消耗

当我尝试缓存()或持久化(MEMORY_ONLY_SER())我的RDD时,我的spark簇会挂起.它工作得很好,并在大约7分钟内计算结果.如果我不使用cache().

我有6个c3.xlarge EC2实例(4个内核,每个7.5 GB RAM),共有24个内核和37.7 GB.

我在master上使用以下命令运行我的应用程序:

SPARK_MEM = 5g MEMORY_FRACTION ="0.6"SPARK_HOME ="/ root/spark"java -cp ./uber-offline.jar:/root/spark/assembly/target/scala-2.10/spark-assembly_2.10-0.9.0-孵化-hadoop1.0.4.jar pl.instream.dsp.offline.OfflineAnalysis

数据集大约有50GB的数据被分成24个文件.我将其压缩并存储在24个存储桶中的24个文件中(每个文件大小为7MB到300MB).

我绝对找不到我的集群这种行为的原因,但似乎火花消耗了所有可用的内存并进入了GC收集循环.当我查看gc verbose时,我可以找到如下的循环:

[GC 5208198K(5208832K), 0,2403780 secs]
[Full GC 5208831K->5208212K(5208832K), 9,8765730 secs]
[Full GC 5208829K->5208238K(5208832K), 9,7567820 secs]
[Full GC 5208829K->5208295K(5208832K), 9,7629460 secs]
[GC 5208301K(5208832K), 0,2403480 secs]
[Full GC 5208831K->5208344K(5208832K), 9,7497710 secs]
[Full GC 5208829K->5208366K(5208832K), 9,7542880 secs]
[Full GC 5208831K->5208415K(5208832K), 9,7574860 secs]

这最终会导致如下消息:

WARN storage.BlockManagerMasterActor: Removing BlockManager BlockManagerId(0, ip-xx-xx-xxx-xxx.eu-west-1.compute.internal, 60048, 0) with no recent heart beats: 64828ms exceeds 45000ms

...并停止计算方面的任何进展.这看起来像100%消耗的内存,但我试图使用具有更多RAM(每个30GB)的机器,效果是相同的.

这种行为可能是什么原因？有人可以帮忙吗？

尝试使用更多分区,每个CPU应该有2到4个分区.IME增加分区数量通常是使程序更稳定(通常更快)的最简单方法.

默认情况下,我认为您的代码将使用24个分区,但50 GB的数据太少.我至少尝试了几个100个分区.

接下来你使用SPARK_MEM=5g但是说每个节点有7.5 GB,所以你可能也有SPARK_MEM=7500m.

您也可以尝试增加内存分数,但我认为上述内容更有可能有所帮助.

一般要点:使用HDFS为你的文件而不是s3,它的速度要快得多.确保在缓存之前正确地挖掘数据 - 例如,如果您说有100列的TSV数据,但是您只使用了10个字段,那么请确保在尝试缓存之前已经提取了这些字段.