`maxResultSize`包含什么以及所有驱动程序内存在哪里

Question

我们使用Apache Spark 2.1.1生成一些日常报告。这些报告是根据一些日常数据生成的，我们会在分别运行每个单元的报告并将它们组合在一起之前保留这些数据。这是我们正在做的简化版本：

def unitReport(d: Date, df: DataFrame, u: String): DataFrame = ... // Builds a report based on unit `u`
val date: Date = ... // Date to run the report
val dailyData: DataFrame = someDailyData.persist()  // Daily data

val units: Seq[String] = Seq("Unit_A", "Unit_B", "Unit_C")
val report: DataFrame =
  units.map(unitReport(date, dailyData, _)) // Report for each unit.
    .reduce((a, b) => a.union(b))           // Join all the units together.

在此之后，我们将报告作为csv写入HDFS，将各部分连接在一起，然后通过电子邮件发送报告。

我们已经开始遇到大约50个单位的最大报告的问题。我们不断提高最大结果大小（现在为10G）以及驱动内存并继续打击它。这里令人困惑的事情是：a）我们不会将结果反馈给驱动程序和b）最终输出的报告只占用CSV形式的145k和1298行，为什么我们传递8G的maxResultSize？我们觉得有些东西我们不了解Spark如何管理内存，resultSize中包含的内容，以及发送回驱动程序的内容，但很难找到任何解释或文档。以下是报告最后阶段的片段，就在它开始耗尽内存之前，让您了解报告的复杂性：

[Stage 2297:===========================================>    (4822 + 412) / 5316]
[Stage 2297:===========================================>    (4848 + 394) / 5316]
[Stage 2297:============================================>   (4877 + 370) / 5316]
[Stage 2297:============================================>   (4909 + 343) / 5316]
[Stage 2297:============================================>   (4944 + 311) / 5316]
[Stage 2297:============================================>   (4964 + 293) / 5316]
[Stage 2297:============================================>   (4980 + 278) / 5316]
[Stage 2297:=============================================>  (4996 + 266) / 5316]
[Stage 2297:=============================================>  (5018 + 246) / 5316]

我们用以下代码找到了我们认为类似的记忆效应：

import org.apache.spark.mllib.random.RandomRDDs._
val df = normalRDD(sc, 1000000000L, 1000000).toDF()
df.filter($"value" > 0.9).count()

虽然这段代码只返回一个简单的计数，但当我们最终在驱动程序上遇到这个内存不足错误时：

java.lang.OutOfMemoryError: GC overhead limit exceeded
at scala.collection.mutable.ListBuffer.$plus$eq(ListBuffer.scala:174)
at scala.collection.mutable.ListBuffer.$plus$eq(ListBuffer.scala:45)
at scala.collection.generic.Growable$class.loop$1(Growable.scala:53)
at scala.collection.generic.Growable$class.$plus$plus$eq(Growable.scala:57)

当我们监视驱动程序上的日志时，我们发现它正在进行完整的垃圾收集，整个内存逐渐增加：

2.095: [GC [PSYoungGen: 64512K->8399K(74752K)] 64512K->8407K(244224K), 0.0289150 secs] [Times: user=0.05 sys=0.02, real=0.02 secs] 
3.989: [GC [PSYoungGen: 72911K->10235K(139264K)] 72919K->10709K(308736K), 0.0257280 secs] [Times: user=0.04 sys=0.02, real=0.02 secs] 
5.936: [GC [PSYoungGen: 139259K->10231K(139264K)] 139733K->67362K(308736K), 0.0741340 secs] [Times: user=0.40 sys=0.12, real=0.07 secs] 
10.842: [GC [PSYoungGen: 139255K->10231K(268288K)] 196386K->86311K(437760K), 0.0678030 secs] [Times: user=0.28 sys=0.07, real=0.07 secs] 
19.282: [GC [PSYoungGen: 268279K->10236K(268288K)] 344359K->122829K(437760K), 0.0642890 secs] [Times: user=0.32 sys=0.10, real=0.06 secs] 
22.981: [GC [PSYoungGen: 268284K->30989K(289792K)] 380877K->143582K(459264K), 0.0811960 secs] [Times: user=0.20 sys=0.07, real=0.08 secs] 

有没有人有任何想法发生了什么？任何解释或指向文档将不胜感激。

Answer 1

很难确切地知道，但我猜这与减少的结果DataFrame中的分区总数有关，并且由于分区数量的原因，该数字可能越大在a.union(b)是a和b的分区数的总和。

虽然数据没有存储在/发送到驱动程序，但驱动程序会管理代表所有分区的对象以及分配给每个分区的任务;如果您的DataFrame最终有数百万个分区，那么Driver将创建（然后使用GC收集）数百万个对象。

因此，尝试更改union操作以包含coalesce操作以限制分区总数：

val MaxParts = dailyData.rdd.partitions.length * 2 // or anything, but something reasonable

val report: DataFrame =
  units.map(unitReport(date, dailyData, _))
    .reduce((a, b) => a.union(b).coalesce(MaxParts))