python - PySpark 应用程序失败，出现 java.lang.OutOfMemoryError : Java heap space

Question

我分别通过 pycharm 和 pyspark shell 运行 spark。 我遇到了这个错误:

: java.lang.OutOfMemoryError: Java heap space
    at org.apache.spark.api.python.PythonRDD$.readRDDFromFile(PythonRDD.scala:416)
    at org.apache.spark.api.python.PythonRDD.readRDDFromFile(PythonRDD.scala)
    at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
    at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
    at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
    at java.lang.reflect.Method.invoke(Method.java:498)
    at py4j.reflection.MethodInvoker.invoke(MethodInvoker.java:231)
    at py4j.reflection.ReflectionEngine.invoke(ReflectionEngine.java:381)
    at py4j.Gateway.invoke(Gateway.java:259)
    at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:133)
    at py4j.commands.CallCommand.execute(CallCommand.java:79)
    at py4j.GatewayConnection.run(GatewayConnection.java:209)
    at java.lang.Thread.run(Thread.java:748)

我的代码是:

from pyspark import SparkContext, SparkConf
from pyspark.sql import HiveContext
import time

if __name__ == '__main__':

    print("Started at " + time.strftime("%H:%M:%S"))

    conf = (SparkConf()
            .setAppName("TestRdd") \
            .set('spark.driver.cores', '1') \
            .set('spark.executor.cores', '1') \
            .set('spark.driver.memory', '16G') \
            .set('spark.executor.memory', '9G'))
    sc = SparkContext(conf=conf)

    rdd = sc.parallelize(range(1000000000),100)

    print(rdd.take(10))

    print("Finished at " + time.strftime("%H:%M:%S"))

这些是最大内存设置，我可以在集群上设置。我试图将所有内存分配给 1 个核心来创建 rdd。但在我看来，应用程序在分发数据集之前失败了。它无法创建我假设的步骤。我还尝试设置不同数量的分区 100-10000。我已经计算了它需要多少内存，所以 10 亿个 int - 内存中大约 4.5-4.7Gb，比我少，但没有运气。

如何优化并强制运行我的代码？

Answer 1

TL;DR 不要在测试和简单实验之外使用parallelize。因为您使用 Python 2.7，range 不是惰性的，所以您将实现多种类型的完整值范围:

• 调用后的 Python list。
• 稍后将写入磁盘的序列化版本。
• 在 JVM 上加载的序列化副本。

使用 xrange 会有所帮助，但您首先不应使用 parallelize(或 2018 年的 Python 2)。

如果您想创建一系列值，只需使用 SparkContext.range

range(start, end=None, step=1, numSlices=None)

Create a new RDD of int containing elements from start to end (exclusive), increased by step every element. Can be called the same way as python’s built-in range() function. If called with a single argument, the argument is interpreted as end, and start is set to 0.

所以在你的情况下:

rdd = sc.range(1000000000, numSlices=100)

使用DataFrame:

from pyspark.sql import SparkSession

spark = SparkSession.builder.getOrCreate()

df = spark.range(1000000000, numPartitions=100)