一、问题
使用spark join两张表(5000w*500w)总是出错,报的异常显示是在shuffle阶段。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
14 / 11 / 27 12 : 05 : 49 ERROR storage.DiskBlockObjectWriter: Uncaught exception while reverting partial writes to file /hadoop/application_1415632483774_448143/spark-local- 20141127115224 -9ca8/ 04 /shuffle_1_1562_27
java.io.FileNotFoundException: /hadoop/application_1415632483774_448143/spark-local- 20141127115224 -9ca8/ 04 /shuffle_1_1562_27 (No such file or directory)
at java.io.FileOutputStream.open(Native Method)
at java.io.FileOutputStream.<init>(FileOutputStream.java: 212 )
at org.apache.spark.storage.DiskBlockObjectWriter.revertPartialWritesAndClose(BlockObjectWriter.scala: 178 )
at org.apache.spark.shuffle.hash.HashShuffleWriter$$anonfun$revertWrites$ 1 .apply(HashShuffleWriter.scala: 118 )
at org.apache.spark.shuffle.hash.HashShuffleWriter$$anonfun$revertWrites$ 1 .apply(HashShuffleWriter.scala: 117 )
at scala.collection.IndexedSeqOptimized$ class .foreach(IndexedSeqOptimized.scala: 33 )
at scala.collection.mutable.ArrayOps$ofRef.foreach(ArrayOps.scala: 108 )
at org.apache.spark.shuffle.hash.HashShuffleWriter.revertWrites(HashShuffleWriter.scala: 117 )
at org.apache.spark.shuffle.hash.HashShuffleWriter.stop(HashShuffleWriter.scala: 89 )
at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala: 73 )
at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala: 41 )
at org.apache.spark.scheduler.Task.run(Task.scala: 54 )
at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala: 177 )
at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java: 1145 )
at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java: 615 )
at java.lang.Thread.run(Thread.java: 724 )
|
出问题的代码块(scala)
1 val cRdd = iRdd.leftOuterJoin(label).map { 2 case (id, (iMap, Some(set))) => (id, (iMap, set)) 3 case (id, (iMap, None)) => (id, (iMap, new HashSet[Int]())) 4 }.persist(StorageLevel.MEMORY_AND_DISK)
二、问题分析与解决
一般spark job很多问题都是来源于系统资源不够用,通过监控日志等判断是内存资源占用过高导致的问题,因此尝试通过配置参数的方法来解决。
1)--conf spark.akka.frameSize=100
此参数控制Spark中通信消息的最大容量 (如task的输出结果),默认为10M。当处理大数据时,task的输出可能会大于这个值,需要根据实际数据设置一个更高的值。尝试将此参数设置成100M后,问题未能解决。
2)--conf spark.shuffle.manager=SORT
Spark默认的shuffle采用Hash模式,在HASH模式下,每一次shuffle会生成M*R的数量的文件(M指的是Map的数目,R指的是Reduce的数目),而当Map和Reduce的数目开得较大时,会产生相当规模的文件,与此同时带来了大量的内存开销。
为了降低系统资源,可以采用Sort模式,Sort模式只产生M数量的文件。具体可以参考:Sort-based Shuffle之初体验
在我们的应用场景下,采用Sort模式后,shuffle时间比之前增大了1/3,但是问题依旧未解决。
3)--conf spark.yarn.executor.memoryOverhead=4096
executor堆外内存设置。起初是1024M,未能跑过,后改为4096M,Job就能跑通,原因是程序使用了大量的堆外内存。