0

我有一个使用自定义 UDF 在 emr 集群（emr-5.4.0）上运行的 pig 脚本。UDF 用于查找一些维度数据，为其导入（有些）大量文本数据。

在 pig 脚本中，UDF 的使用如下：

DEFINE LookupInteger com.ourcompany.LookupInteger(<some parameters>);

UDF 将一些数据存储在Map<Integer, Integer>

在某些输入数据上，聚合失败，异常如下

java.lang.OutOfMemoryError: GC overhead limit exceeded
    at java.lang.String.split(String.java:2377)
    at java.lang.String.split(String.java:2422)
    [...]
    at com.ourcompany.LocalFileUtil.toMap(LocalFileUtil.java:71)
    at com.ourcompany.LookupInteger.exec(LookupInteger.java:46)
    at com.ourcompany.LookupInteger.exec(LookupInteger.java:19)
    at org.apache.pig.backend.hadoop.executionengine.physicalLayer.expressionOperators.POUserFunc.getNext(POUserFunc.java:330)
    at org.apache.pig.backend.hadoop.executionengine.physicalLayer.expressionOperators.POUserFunc.getNextInteger(POUserFunc.java:379)
    at org.apache.pig.backend.hadoop.executionengine.physicalLayer.PhysicalOperator.getNext(PhysicalOperator.java:347)
    at org.apache.pig.backend.hadoop.executionengine.physicalLayer.expressionOperators.POBinCond.genericGetNext(POBinCond.java:76)
    at org.apache.pig.backend.hadoop.executionengine.physicalLayer.expressionOperators.POBinCond.getNextInteger(POBinCond.java:118)
    at org.apache.pig.backend.hadoop.executionengine.physicalLayer.PhysicalOperator.getNext(PhysicalOperator.java:347)

当 pig 聚合运行时不会发生这种情况mapreduce，因此我们的解决方法是替换pig -t tez为pig -t mapreduce。

由于我是 amazon emr 的新手，并且是 tez 的猪，因此我会很感激有关如何分析或调试问题的一些提示。

编辑： 在 tez 堆栈上运行 pig 脚本时，它看起来像一个奇怪的运行时行为。

请注意，猪脚本正在使用

  • 复制连接（要连接的较小关系需要放入内存中）和
  • 已经提到的 UDF，它正在初始化Map<Integer, Interger>产生上述 OutOfMemoryError。
4

1 回答 1

0

我们使用 tez 后端找到了另一种解决方法。mapreduce.map.memory.mb使用和的增加值mapreduce.map.java.opts（ 的 0.8 倍mapreduce.map.memory.mb）。这些值绑定到 ec2 实例类型并且通常是固定值（请参阅aws emr task config）。

通过（暂时）将值加倍，我们能够使 pig 脚本成功。

为具有默认值的 m3.xlarge 核心实例设置了以下值：

  • mapreduce.map.java.opts := -Xmx1152m
  • mapreduce.map.memory.mb := 1440

猪启动命令

pig -Dmapreduce.map.java.opts=-Xmx2304m \
    -Dmapreduce.map.memory.mb=2880 -stop_on_failure -x tez ... script.pig

编辑

一位同事提出了以下想法：

另一个解决方法OutOfMemory: GC overhead limit exceeded可能是为有问题的关系添加显式STORE和LOAD语句，这将使 tez 将数据刷新到存储中。这也有助于调试问题，因为可以使用其他猪脚本观察（临时、中间）数据。

于 2018-01-26T12:57:06.423 回答