4

我正在执行一项工作pyspark,我曾一度使用分组聚合 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 接收的组之一是巨大的,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 的机器上运行这个 spark 作业,我仍然会遇到同样的错误。(并且 192.0 GiB 应该足以将整个数据集保存在内存中。)

如何为 spark 提供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。

4

4 回答 4

6

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 按条件分组不应产生超过 2 GB 的未压缩数据。

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

我是说

只有当您的分组分区大小小于 2 GB 未压缩时,您才能运行您的 pandas UDF 方法

这是您参考的票

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

于 2019-12-11T13:27:22.183 回答
5

箭头 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 仍然基于 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。所以你很可能仍然会遇到这个问题作为一个不同的例外。

因此,由于上述限制,到目前为止,这仍然是不可能的。

这可能会在 Spark 方面得到解决 https://issues.apache.org/jira/browse/SPARK-32294 这个想法是将 GroupedData 分批输入 pandas UDF 以解决此问题。

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

于 2020-07-10T07:15:31.387 回答
4
  1. 您是否尝试将--executor-memoryspark-submit 选项设置为180g,以便 Spark 使用所有可用内存?
  2. 实际上,看起来 Spark 不是 OOMing 或典型的数据倾斜问题。当您的数据结构之一达到 Apache Arrow 内部限制时,这看起来很奇怪 - 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
于 2019-10-07T15:41:01.723 回答
2

据我了解,一个组的所有数据在应用函数之前都会加载到内存中。这可能会导致内存不足异常,尤其是在组大小有偏差的情况下。maxRecordsPerBatch 的配置不适用于组,您需要确保分组数据适合可用内存。

您可以尝试对数据进行加盐,以确保组没有偏差。请参阅下面有关盐渍连接的文章。同样的概念也可以在这里应用

https://datarus.wordpress.com/2015/05/04/fighting-the-skew-in-spark/

于 2019-10-07T13:33:41.403 回答