``MaxResultsize''什么都包含在哪里，所有驱动程序内存在哪里

Question

我们使用Apache Spark 2.1.1来生成一些每日报告。这些报告是从一些日常数据中生成的，我们在分别对每个单元进行报告并将它们全部结合在一起之前一直存在。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.

之后，我们将报告写给HDFS作为CSV，将零件加在一起，然后通过电子邮件发送报告。

我们已经开始遇到这些报告中最大的问题，该报告约为五十个单位。我们不断提高最大结果大小（现在为10克）以及驱动内存并继续击中它。令人困惑的是，a）我们永远不会将结果拉回驱动程序，b）最终输出的报告仅占用145K和1298行，CSV形式，为什么我们要通过8G的maxResultSize？我们觉得关于火花如何管理内存，resultSize中的确切包含的内容以及发送给驾驶员的内容，但很难找到任何解释或文档。这是报告的最后阶段的片段，就在该报告开始用尽内存之前，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]

我们发现我们认为与以下代码相似的记忆效果：

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

虽然此代码仅返回一个简单的计数，但是当我们最终在驱动程序上击中记忆错误时：

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，我们发现它正在不断进行完整的垃圾收集，整体内存逐渐蔓延：

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] 

有人有什么想法吗？对文档的任何解释或指示都将不胜感激。

Answer 1

很难确定，但我猜这与在dataframe中的分区总数有关，这是减少的结果，并且该数字可能更大，因为您拥有的单位越多，因为a.union(b)中的分区数是a和b的分区计数的总和。

data 未存储在/发送到驱动程序，驱动程序确实管理代表所有分区的对象 和分配给每个分配的 tasks 其中一个;如果您的数据帧最终以数百万的分区结束，则驱动程序将创建（然后使用GC收集）数百万个对象。

so ，尝试将联合操作更改为包括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))