Spark/scala 中的 SQL 查询大小超过 Integer.MAX_VALUE

Question

我正在尝试使用 Spark 在 S3 事件上创建一个简单的 sql 查询。 我正在加载 ~30GB 的 JSON 文件，如下所示：

val d2 = spark.read.json("s3n://myData/2017/02/01/1234");
d2.persist(org.apache.spark.storage.StorageLevel.MEMORY_AND_DISK);
d2.registerTempTable("d2");

然后我试图写入文件我的查询结果：

val users_count = sql("select count(distinct data.user_id) from d2");
users_count.write.format("com.databricks.spark.csv").option("header", "true").save("s3n://myfolder/UsersCount.csv");

但 Spark 抛出以下异常：

java.lang.IllegalArgumentException: Size exceeds Integer.MAX_VALUE
at sun.nio.ch.FileChannelImpl.map(FileChannelImpl.java:869)
at org.apache.spark.storage.DiskStore$$anonfun$getBytes$2.apply(DiskStore.scala:103)
at org.apache.spark.storage.DiskStore$$anonfun$getBytes$2.apply(DiskStore.scala:91)
at org.apache.spark.util.Utils$.tryWithSafeFinally(Utils.scala:1287)
at org.apache.spark.storage.DiskStore.getBytes(DiskStore.scala:105)
at org.apache.spark.storage.BlockManager.getLocalValues(BlockManager.scala:439)
at org.apache.spark.storage.BlockManager.getOrElseUpdate(BlockManager.scala:672)
at org.apache.spark.rdd.RDD.getOrCompute(RDD.scala:330)
at org.apache.spark.rdd.RDD.iterator(RDD.scala:281)
at org.apache.spark.rdd.MapPartitionsRDD.compute(MapPartitionsRDD.scala:38)
at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:319)
at org.apache.spark.rdd.RDD.iterator(RDD.scala:283)
at org.apache.spark.rdd.MapPartitionsRDD.compute(MapPartitionsRDD.scala:38)
at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:319)
at org.apache.spark.rdd.RDD.iterator(RDD.scala:283)
at org.apache.spark.rdd.MapPartitionsRDD.compute(MapPartitionsRDD.scala:38)
at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:319)
at org.apache.spark.rdd.RDD.iterator(RDD.scala:283)
at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:79)
at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:47)
at org.apache.spark.scheduler.Task.run(Task.scala:85)
at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:274)
at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142)
at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
at java.lang.Thread.run(Thread.java:745)

请注意，相同的查询适用于更少量的数据。 这里有什么问题？

Answer 1

没有 Spark shuffle 块可以大于 2GB（Integer.MAX_VALUE 字节），因此您需要更多/更小的分区。

您应该调整 spark.default.parallelism 和 spark.sql.shuffle.partitions（默认为 200），以便分区数量可以容纳您的数据而不会达到 2GB 的限制（您可以尝试瞄准 256MB/分区，因此对于 200GB，您将获得 800分区）。 数千个分区很常见，所以不要害怕按照建议重新分区到 1000 个。

仅供参考，您可以使用 rdd.getNumPartitions（即 d2.rdd.getNumPartitions）之类的东西检查 RDD 的分区数

有一个故事来跟踪解决各种 2GB 限制的努力（现在已经开放了一段时间）： https : //issues.apache.org/jira/browse/SPARK-6235

有关此错误的更多信息，请参阅http://www.slideshare.net/cloudera/top-5-mistakes-to-avoid-when-writing-apache-spark-applications/25 。

Answer 2

当我使用Spark核心处理200G的数据时，设置了--conf spark.default.parallelism = 2000和.repartition(100) ，但是会出现错误，最后我使用如下设置解决：

val conf = new SparkConf()
         .setAppName(appName)
         .set("spark.rdd.compress", "true")

spark.rdd.compress 的描述

我希望它能帮助你