sparklyr 堆空间不足，但内存充足

Question

即使在相当小的数据集上，我也会遇到堆空间错误。我可以确定我没有耗尽系统内存。例如，考虑一个包含大约 20M 行和 9 列的数据集，它在磁盘上占用 1GB。我在具有 30GB 内存的 Google Compute 节点上使用它。

假设我在名为df. 以下工作正常，虽然有点慢：

library(tidyverse) 
uniques <- search_raw_lt %>%
    group_by(my_key) %>%
    summarise() %>%
    ungroup()

下面抛出java.lang.OutOfMemoryError: Java heap space.

library(tidyverse)
library(sparklyr)
sc <- spark_connect(master = "local")

df_tbl <- copy_to(sc, df)

unique_spark <- df_tbl %>%
  group_by(my_key) %>%
  summarise() %>%
  ungroup() %>%
  collect()

我尝试了这个建议来增加 Spark 的堆空间。问题仍然存在。在 上htop查看机器的状态，我看到总内存使用量从未超过 10GB。

library(tidyverse)
library(sparklyr)

config <- spark_config()
config[["sparklyr.shell.conf"]] <- "spark.driver.extraJavaOptions=-XX:MaxHeapSize=24G"

sc <- spark_connect(master = "local")

df_tbl <- copy_to(sc, df)

unique_spark <- df_tbl %>%
  group_by(my_key) %>%
  summarise() %>%
  ungroup() %>%
  collect()

最后，每Sandeep的评论，我试图降低MaxHeapSize到4G。（是MaxHeapSize每个虚拟工作者还是整个 Spark 本地实例？）我仍然遇到堆空间错误，而且我没有使用太多系统内存。

Answer 1

在研究 Sandeep 的建议时，我开始深入sparklyr 研究部署说明。这些提到驱动程序在此阶段可能会耗尽内存，并需要调整一些设置来纠正它。

这些设置并没有解决问题，至少最初没有。然而，将问题隔离到collect舞台上让我可以在 SO 上使用 SparkR 找到类似的 问题。

这些答案部分取决于环境变量的设置SPARK_MEM。把它们放在一起，我让它工作如下：

library(tidyverse)
library(sparklyr)

# Set memory allocation for whole local Spark instance
Sys.setenv("SPARK_MEM" = "13g")

# Set driver and executor memory allocations
config <- spark_config()
config$spark.driver.memory <- "4G"
config$spark.executor.memory <- "1G"

# Connect to Spark instance
sc <- spark_connect(master = "local")

# Load data into Spark
df_tbl <- copy_to(sc, df)

# Summarise data
uniques <- df_tbl %>%
  group_by(my_key) %>%
  summarise() %>%
  ungroup() %>%
  collect()