如何通过增加 spark 的内存来解决 pyspark `org.apache.arrow.vector.util.OversizedAllocationException` 错误？

Question

我正在运行一项工作pyspark，我曾在其中使用分组聚合 Pandas UDF。这会导致以下（此处为缩写）错误：

org.apache.arrow.vector.util.OversizedAllocationException: Unable to expand the buffer

我相当确定这是因为 Pandas UDF 接收的组之一很大，如果我减少数据集并删除足够的行，我可以毫无问题地运行我的 UDF。但是，我想使用我的原始数据集运行，即使我在具有 192.0 GiB RAM 的机器上运行此 spark 作业，我仍然会遇到相同的错误。（并且 192.0 GiB 应该足以将整个数据集保存在内存中。）

我怎样才能给 spark 足够的内存来运行需要大量内存的分组聚合 Pandas UDF？

例如，是否有一些我错过的火花配置可以为 apache 箭头提供更多内存？

更长的错误信息

---------------------------------------------------------------------------
Py4JJavaError                             Traceback (most recent call last)
 in 
----> 1 device_attack_result.count()
      2 
      3 
      4 

/usr/lib/spark/python/pyspark/sql/dataframe.py in count(self)
    520         2
    521         """
--> 522         return int(self._jdf.count())
    523 
    524     @ignore_unicode_prefix

/usr/lib/spark/python/lib/py4j-0.10.7-src.zip/py4j/java_gateway.py in __call__(self, *args)
   1255         answer = self.gateway_client.send_command(command)
   1256         return_value = get_return_value(
-> 1257             answer, self.gateway_client, self.target_id, self.name)
   1258 
   1259         for temp_arg in temp_args:

/usr/lib/spark/python/pyspark/sql/utils.py in deco(*a, **kw)
     61     def deco(*a, **kw):
     62         try:
---> 63             return f(*a, **kw)
     64         except py4j.protocol.Py4JJavaError as e:
     65             s = e.java_exception.toString()

/usr/lib/spark/python/lib/py4j-0.10.7-src.zip/py4j/protocol.py in get_return_value(answer, gateway_client, target_id, name)
    326                 raise Py4JJavaError(
    327                     "An error occurred while calling {0}{1}{2}.\n".
--> 328                     format(target_id, ".", name), value)
    329             else:
    330                 raise Py4JError(

Py4JJavaError: An error occurred while calling o818.count.
: org.apache.spark.SparkException: Job aborted due to stage failure: Task 102 in stage 27.0 failed 4 times, most recent failure: Lost task 102.3 in stage 27.0 (TID 3235, ip-172-31-111-163.ec2.internal, executor 1): org.apache.arrow.vector.util.OversizedAllocationException: Unable to expand the buffer
...

完整的错误信息在这里。

Answer 1

Spark 的 PandasUDF 功能使用 Arrow 框架将 spark DataFrame 转换为 pandas DataFrame，此时 Arrow 内部缓冲区限制仅为 2GB，因此您的 pandasUDF group by condition 不应产生超过 2 GB 的未压缩数据。

df.groupby('id').apply(function)

我的意思是

仅当您的组分区大小小于 2 GB 未压缩时，您才能运行您的 Pandas UDF 方法

这是供您参考的门票

https://issues.apache.org/jira/browse/ARROW-4890

上述问题似乎在 >= 0.15 版本的 pyarrow 中得到解决，只有 Spark 3.x 使用 pyarrow 0.15 版本

Answer 2

Arrow 0.16 已将最大缓冲区分配大小从 MaxInteger 更改为 MaxLong（64 位） https://issues.apache.org/jira/browse/ARROW-6112

截至 2020 年 7 月，上游 Spark 仍基于 Arrow 0.15 https://github.com/apache/spark/blob/master/python/setup.py

不过，Netty 后备缓冲区仍然不支持这一点。

所以到目前为止，由于上述限制，这仍然是不可能的。

这可能会在 Spark 端解决 https://issues.apache.org/jira/browse/SPARK-32294 这个想法是将 GroupedData 分批提供给 Pandas UDF 来解决这个问题。

更新：Databricks 平台上的 PySpark 没有这个问题。需要 DBR7.4+

Answer 3

1. 您是否尝试过将--executor-memorySpark-submit 选项设置为180g，以便 Spark 利用所有可用内存？
2. 实际上，Spark 看起来并不存在 OOMing 或典型的数据倾斜问题。当您的数据结构之一遇到 Apache Arrow 内部限制时，这看起来是一种相当奇怪的情况 - 没有缓冲区的大小不能大于 Integer.MAX_VALUE 字节：https: //github.com/apache/arrow/blob/157b179812adb8f29e5966682ff1937f85ce192a/java/矢量/src/main/java/org/apache/arrow/vector/BaseValueVector.java#L42。我不确定 Arrow 是如何工作的，但对我来说，您的一个数据点似乎包含超过 4Gbs 的数据