火花故障：由以下原因引起：org.apache.spark.shuffle.FetchFailedException：框架太大：5454002341

Question

我正在为确定父级表的表生成层次结构。

即使在收到有关太大框架的错误之后，也使用以下配置：

火花特性

--conf spark.yarn.executor.memoryOverhead=1024mb \
--conf yarn.nodemanager.resource.memory-mb=12288mb \
--driver-memory 32g \
--driver-cores  8 \
--executor-cores 32 \
--num-executors 8 \
--executor-memory 256g \
--conf spark.maxRemoteBlockSizeFetchToMem=15g

---

import org.apache.log4j.{Level, Logger};
import org.apache.spark.SparkContext;
import org.apache.spark.sql.{DataFrame, SparkSession};
import org.apache.spark.sql.functions._;
import org.apache.spark.sql.expressions._;


lazy val sparkSession = SparkSession.builder.enableHiveSupport().getOrCreate();

import spark.implicits._;

val hiveEmp: DataFrame = sparkSession.sql("select * from db.employee");
hiveEmp.repartition(300);
import org.apache.spark.sql.functions._;

val nestedLevel = 3;

val empHierarchy = (1 to nestedLevel).foldLeft(hiveEmp.as("wd0")) { (wDf, i) =>
val j = i - 1
wDf.join(hiveEmp.as(s"wd$i"), col(s"wd$j.parent_id".trim) === col(s"wd$i.id".trim), "left_outer")
}.select(
col("wd0.id") :: col("wd0.parent_id") ::
col("wd0.amount").as("amount") :: col("wd0.payment_id").as("payment_id") :: (
(1 to nestedLevel).toList.map(i => col(s"wd$i.amount").as(s"amount_$i")) :::
(1 to nestedLevel).toList.map(i => col(s"wd$i.payment_id").as(s"payment_id_$i"))

): _*);

empHierarchy.write.saveAsTable("employee4");

错误

Caused by: org.apache.spark.SparkException: Task failed while writing rows
   at org.apache.spark.sql.execution.datasources.FileFormatWriter$.org$apache$spark$sql$execution$datasources$FileFormatWriter$$executeTask(FileFormatWriter.scala:204)
   at org.apache.spark.sql.execution.datasources.FileFormatWriter$$anonfun$write$1$$anonfun$3.apply(FileFormatWriter.scala:129)
   at org.apache.spark.sql.execution.datasources.FileFormatWriter$$anonfun$write$1$$anonfun$3.apply(FileFormatWriter.scala:128)
   at org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:87)
   at org.apache.spark.scheduler.Task.run(Task.scala:99)
   at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:322)
   ... 3 more
Caused by: org.apache.spark.shuffle.FetchFailedException: Too large frame: 5454002341
   at org.apache.spark.storage.ShuffleBlockFetcherIterator.throwFetchFailedException(ShuffleBlockFetcherIterator.scala:361)
   at org.apache.spark.storage.ShuffleBlockFetcherIterator.next(ShuffleBlockFetcherIterator.scala:336)

Answer 1

苏雷什是对的。这是他的答案的更好记录和格式化版本，其中包含一些有用的背景信息：

• 错误报告（修复链接位于最底部）
• 修复（从 2.2.0 开始修复- Jared 已经提到过）
• 更改配置的默认值（从 2.4.0 开始更改）

如果您使用的是 2.2.x 或 2.3.x 版本，则可以通过将 config 的值设置为Int.MaxValue - 512，即通过设置spark.maxRemoteBlockSizeFetchToMem=2147483135. 有关截至 2019 年 9 月使用的默认值，请参见此处。

Answer 2

使用此spark配置，spark.maxRemoteBlockSizeFetchToMem <2g

由于> 2G分区存在很多问题（无法随机播放，无法在磁盘上缓存），因此它会抛出failedfetchedexception太大的数据帧。

Answer 3

这意味着数据集分区的大小非常巨大。您需要将数据集重新分区到更多分区。

你可以使用以下方法来做到这一点：

df.repartition(n)

这里，n取决于数据集的大小。