11

我在玩 Spark。它是来自网站的默认预构建发行版 (0.7.0)，具有默认配置、集群模式、一名工作人员（我的本地主机）。我阅读了有关安装的文档，一切似乎都很好。

我有一个 CSV 文件（各种大小，1000 - 100 万行）。如果我用小输入文件（例如 1000 行）运行我的应用程序，一切都很好，程序在几秒钟内完成并产生预期的输出。但是当我提供更大的文件（100.000 行或 100 万行）时，执行失败。我试图挖掘日志，但没有太大帮助（它重复整个过程大约 9-10 次，然后退出失败。此外，还有一些与从某个空源获取失败有关的错误）。

第一个 JavaRDD 返回的结果 Iterable 对我来说是可疑的。如果我返回一个硬编码的单例列表（如 res.add("something"); return res;)，那么一切都很好，即使有一百万行。但是，如果我添加我想要的所有键（28 个长度为 6-20 个字符的字符串），则该过程仅在大输入时才会失败。问题是，我需要所有这些键，这是实际的业务逻辑。

我正在使用 Linux amd64，四核，8GB 内存。最新的 Oracle Java7 JDK。火花配置：

SPARK_WORKER_MEMORY=4g
SPARK_MEM=3g
SPARK_CLASSPATH=$SPARK_CLASSPATH:/my/super/application.jar

我必须提到，当我启动程序时，它说：

13/05/30 11:41:52 WARN spark.Utils: Your hostname, *** resolves to a loopback address: 127.0.1.1; using 192.168.1.157 instead (on interface eth1)
13/05/30 11:41:52 WARN spark.Utils: Set SPARK_LOCAL_IP if you need to bind to another address

这是我的程序。它基于 JavaWordCount 示例，进行了最少的修改。

public final class JavaWordCount
{
    public static void main(final String[] args) throws Exception
    {
        final JavaSparkContext ctx = new JavaSparkContext(args[0], "JavaWordCount",
            System.getenv("SPARK_HOME"), new String[] {"....jar" });

        final JavaRDD<String> words = ctx.textFile(args[1], 1).flatMap(new FlatMapFunction<String, String>() {

            @Override
            public Iterable<String> call(final String s)
            {
                // parsing "s" as the line, computation, building res (it's a List<String>)
                return res;
            }
        });

        final JavaPairRDD<String, Integer> ones = words.map(new PairFunction<String, String, Integer>() {

            @Override
            public Tuple2<String, Integer> call(final String s)
            {
                return new Tuple2<String, Integer>(s, 1);
            }
        });
        final JavaPairRDD<String, Integer> counts = ones.reduceByKey(new Function2<Integer, Integer, Integer>() {

            @Override
            public Integer call(final Integer i1, final Integer i2)
            {
                return i1 + i2;
            }
        });

        counts.collect();

        for (Tuple2<?, ?> tuple : counts.collect()) {
            System.out.println(tuple._1 + ": " + tuple._2);
        }
    }
}
4

2 回答 2

13

我设法通过将属性spark.mesos.coarse设置为 true 来修复它。更多信息在这里。

更新：我已经玩了几个小时的 Spark。这些设置对我有一点帮助，但似乎在一台机器上处理约 1000 万行文本几乎是不可能的。

System.setProperty("spark.serializer", "spark.KryoSerializer"); // kryo is much faster
System.setProperty("spark.kryoserializer.buffer.mb", "256"); // I serialize bigger objects
System.setProperty("spark.mesos.coarse", "true"); // link provided
System.setProperty("spark.akka.frameSize", "500"); // workers should be able to send bigger messages
System.setProperty("spark.akka.askTimeout", "30"); // high CPU/IO load

注意：增加帧大小似乎特别有助于防止：org.apache.spark.SparkException: Error communicating with MapOutputTracker

于 2013-05-30T10:56:00.510 回答
3

在较新的 spark 版本中，应该使用：

conf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")

根据http://spark.apache.org/docs/latest/tuning.html#data-serialization

于 2014-08-15T02:40:38.370 回答