我有7个cassandra节点(5 nodes with 32 cores and 32G memory, and 4 nodes with 4 cores and 64G memory
),并在这个集群上部署了spark工作节点,而spark的主节点在8th node
中。我用spark-cassandra-connector来表示它们。现在我的cassandra有近10亿条记录,有30个字段。我编写了scala,包括以下代码片段:
def startOneCache(): DataFrame = {
val conf = new SparkConf(true)
.set("spark.cassandra.connection.host", "192.168.0.184")
.set("spark.cassandra.auth.username", "username")
.set("spark.cassandra.auth.password", "password")
.set("spark.driver.maxResultSize", "4G")
.set("spark.executor.memory", "12G")
.set("spark.cassandra.input.split.size_in_mb","64")
val sc = new SparkContext("spark://192.168.0.131:7077", "statistics", conf)
val cc = new CassandraSQLContext(sc)
val rdd: DataFrame = cc.sql("select user_id,col1,col2,col3,col4,col5,col6
,col7,col8 from user_center.users").limit(100000192)
val rdd_cache: DataFrame = rdd.cache()
rdd_cache.count()
return rdd_cache
}
在spark's master中我使用spark-submit
来运行上面的代码,在执行语句时:rdd_cache.count()
,我在一个工作节点中得到了一个ERROR
:192.168.0.185
:
16/03/08 15:38:57 INFO ShuffleBlockFetcherIterator: Started 4 remote fetches in 221 ms
16/03/08 15:43:49 WARN MemoryStore: Not enough space to cache rdd_6_0 in memory! (computed 4.6 GB so far)
16/03/08 15:43:49 INFO MemoryStore: Memory use = 61.9 KB (blocks) + 4.6 GB (scratch space shared across 1 tasks(s)) = 4.6 GB. Storage limit = 6.2 GB.
16/03/08 15:43:49 WARN CacheManager: Persisting partition rdd_6_0 to disk instead.
16/03/08 16:13:11 ERROR Executor: Managed memory leak detected; size = 4194304 bytes, TID = 24002
16/03/08 16:13:11 ERROR Executor: Exception in task 0.0 in stage 1.0 (TID 24002)
java.lang.IllegalArgumentException: Size exceeds Integer.MAX_VALUE
我只是认为最后的错误Size exceeds Integer.MAX_VALUE
是由警告引起的:16/03/08 15:43:49 WARN MemoryStore: Not enough space to cache rdd_6_0 in memory! (computed 4.6 GB so far)
,但我不知道为什么,或者我是否应该设置一个比.set("spark.executor.memory", "12G")
大的,我应该做什么来纠正这个问题?
1条答案
按热度按时间mf98qq941#
No Spark shuffle block can be greater than 2 GB.
Spark使用
ByteBuffer
作为存储块的抽象,其大小受Integer.MAX_VALUE(20亿)的限制。分区数少会导致混洗块大小变大。若要解决此问题,请尝试使用
rdd.repartition()
或rdd.coalesce()
或增加分区数。如果这样做没有帮助,这意味着至少有一个分区仍然太大,您可能需要使用一些更复杂的方法来使其变小-例如,使用随机性来均衡各个分区之间的RDD数据分布。