提升spark.yarn.executor.memoryOverhead

Question

我正在尝试在EMR上运行一个处理大量数据的（py）Spark作业。 目前我的工作失败，出现以下错误消息：

Reason: Container killed by YARN for exceeding memory limits.
5.5 GB of 5.5 GB physical memory used.
Consider boosting spark.yarn.executor.memoryOverhead.

所以我谷歌如何做到这一点，并发现我应该使用--conf标志传递spark.yarn.executor.memoryOverhead参数。 我是这样做的：

aws emr add-steps\
--cluster-id %s\
--profile EMR\
--region us-west-2\
--steps Name=Spark,Jar=command-runner.jar,\
Args=[\
/usr/lib/spark/bin/spark-submit,\
--deploy-mode,client,\
/home/hadoop/%s,\
--executor-memory,100g,\
--num-executors,3,\
--total-executor-cores,1,\
--conf,'spark.python.worker.memory=1200m',\
--conf,'spark.yarn.executor.memoryOverhead=15300',\
],ActionOnFailure=CONTINUE" % (cluster_id,script_name)\

但是当我重新运行这个工作时，它一直给我同样的错误信息，使用5.5 GB of 5.5 GB physical memory used ，这意味着我的内存没有增加..任何关于我做错的提示？

编辑

以下是我最初如何创建群集的详细信息：

aws emr create-cluster\
--name "Spark"\
--release-label emr-4.7.0\
--applications Name=Spark\
--bootstrap-action Path=s3://emr-code-matgreen/bootstraps/install_python_modules.sh\
--ec2-attributes KeyName=EMR2,InstanceProfile=EMR_EC2_DefaultRole\
--log-uri s3://emr-logs-zerex\
--instance-type r3.xlarge\
--instance-count 4\
--profile EMR\
--service-role EMR_DefaultRole\
--region us-west-2'

谢谢。

Answer 1

如果您已登录到EMR节点并希望在不处理AWSCLI工具的情况下进一步更改Spark的默认设置，则可以在spark-defaults.conf文件中添加一行。 Spark位于EMR的/ etc目录中。 用户可以通过导航或编辑/etc/spark/conf/spark-defaults.conf直接访问该文件

所以在这种情况下，我们将spark.yarn.executor.memoryOverhead附加到spark-defaults文件的末尾。 该文件的结尾看起来与此示例非常相似：

spark.driver.memory              1024M
spark.executor.memory            4305M
spark.default.parallelism        8
spark.logConf                    true
spark.executorEnv.PYTHONPATH     /usr/lib/spark/python
spark.driver.maxResultSize       0
spark.worker.timeout             600
spark.storage.blockManagerSlaveTimeoutMs 600000
spark.executorEnv.PYTHONHASHSEED 0
spark.akka.timeout               600
spark.sql.shuffle.partitions     300
spark.yarn.executor.memoryOverhead 1000M

同样，可以使用--executor-memory=xg标志或spark.executor.memory property控制堆大小。

希望这可以帮助...

Answer 2

几个小时后，我找到了解决这个问题的方法。 在创建集群时，我需要将以下标志作为参数传递：

--configurations file://./sparkConfig.json\

使用包含以下内容的JSON文件：

[
    {
      "Classification": "spark-defaults",
      "Properties": {
        "spark.executor.memory": "10G"
      }
    }
  ]

这允许我使用最初发布的参数在下一步中增加memoryOverhead。