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的数据分成24个文件。 我将其压缩并存储在S3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] 

这最终会导致以下消息：

 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？

Answer 1

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，您使用SPARK_MEM=5g但是说每个节点都有7.5 GB，因此您可能还有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。

Answer 2

“原始”缓存和“序列化”缓存之间存在很大差异

1. 原始缓存：（ rdd.cache()或rdd.persist(org.apache.spark.storage.StorageLevel.MEMORY_ONLY) ）

   这将消耗2x-3x的内存。 例如，100MB的rdd可以消耗350MB的内存

2. 序列化缓存（rdd.persist（org.apache.spark.storage.StorageLevel.MEMORY_ONLY_SER））

   这消耗了相同数量的内存以及一些小的开销。 例如，100MB数据将占用内存中的100MB +几KB。

在运营期间，原始缓存如何更快。 序列化缓存需要更长时间（因为在计算之前必须对对象进行反序列化）

这是我实验的有趣结果。