我正在为一个确定父子关系的表生成层次结构。
以下是使用的配置,即使在获得关于过大帧的错误之后:
Spark属性
--conf spark.yarn.executor.memoryOverhead=1024mb \
--conf yarn.nodemanager.resource.memory-mb=12288mb \
--driver-memory 32g \
--driver-cores 8 \
--executor-cores 32 \
--num-executors 8 \
--executor-memory 256g \
--conf spark.maxRemoteBlockSizeFetchToMem=15g
import org.apache.log4j.{Level, Logger};
import org.apache.spark.SparkContext;
import org.apache.spark.sql.{DataFrame, SparkSession};
import org.apache.spark.sql.functions._;
import org.apache.spark.sql.expressions._;
lazy val sparkSession = SparkSession.builder.enableHiveSupport().getOrCreate();
import spark.implicits._;
val hiveEmp: DataFrame = sparkSession.sql("select * from db.employee");
hiveEmp.repartition(300);
import org.apache.spark.sql.functions._;
val nestedLevel = 3;
val empHierarchy = (1 to nestedLevel).foldLeft(hiveEmp.as("wd0")) { (wDf, i) =>
val j = i - 1
wDf.join(hiveEmp.as(s"wd$i"), col(s"wd$j.parent_id".trim) === col(s"wd$i.id".trim), "left_outer")
}.select(
col("wd0.id") :: col("wd0.parent_id") ::
col("wd0.amount").as("amount") :: col("wd0.payment_id").as("payment_id") :: (
(1 to nestedLevel).toList.map(i => col(s"wd$i.amount").as(s"amount_$i")) :::
(1 to nestedLevel).toList.map(i => col(s"wd$i.payment_id").as(s"payment_id_$i"))
): _*);
empHierarchy.write.saveAsTable("employee4");
错误
Caused by: org.apache.spark.SparkException: Task failed while writing rows
at org.apache.spark.sql.execution.datasources.FileFormatWriter$.org$apache$spark$sql$execution$datasources$FileFormatWriter$$executeTask(FileFormatWriter.scala:204)
at org.apache.spark.sql.execution.datasources.FileFormatWriter$$anonfun$write$1$$anonfun$3.apply(FileFormatWriter.scala:129)
at org.apache.spark.sql.execution.datasources.FileFormatWriter$$anonfun$write$1$$anonfun$3.apply(FileFormatWriter.scala:128)
at org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:87)
at org.apache.spark.scheduler.Task.run(Task.scala:99)
at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:322)
... 3 more
Caused by: org.apache.spark.shuffle.FetchFailedException: Too large frame: 5454002341
at org.apache.spark.storage.ShuffleBlockFetcherIterator.throwFetchFailedException(ShuffleBlockFetcherIterator.scala:361)
at org.apache.spark.storage.ShuffleBlockFetcherIterator.next(ShuffleBlockFetcherIterator.scala:336)
6条答案
按热度按时间j5fpnvbx1#
使用此spark配置,spark.maxRemoteBlockSizeFetchToMem < 2g
由于> 2G分区有很多问题(不能shuffle,不能在磁盘上缓存),因此它抛出failedfetchedexception太大的 Dataframe 。
xmjla07d2#
苏雷什说得对以下是他的回答的一个更好的文档化和格式化版本,其中包含一些有用的背景信息:
如果您使用的是2.2.x或2.3.x版本,则可以通过将config的值设置为
Int.MaxValue - 512
来实现相同的效果,即通过设置spark.maxRemoteBlockSizeFetchToMem=2147483135
。请参阅此处,了解截至2019年9月使用的默认值。bvuwiixz3#
这意味着数据集分区的大小是巨大的。您需要将数据集重新分区到更多分区。
你可以使用
这里,
n
取决于数据集的大小。ruarlubt4#
在尝试回填几年的数据时遇到了完全相同的错误。事实证明,这是因为您的分区大小> 2GB。
1.您可以增加分区的数量(使用repartition()),使您的分区小于2GB。(保持您的分区接近128 mb到256 mb,即接近HDFS数据块大小)
1.或者你也可以像上面提到的那样将shuffle限制提高到> 2GB。(避免)。此外,数据量大的分区会导致任务需要很长时间才能完成。
注意:repartition(n)将导致在写入s3/hdfs时每个分区有n个部分文件。
请阅读以下内容以获取更多信息:http://www.russellspitzer.com/2018/05/10/SparkPartitions/
pxy2qtax5#
我在处理~ 700 GB数据集时遇到了同样的问题。减少
spark.maxRemoteBlockSizeFetchToMem
在我的情况下没有帮助。此外,我无法增加分区的数量。做以下工作对我来说很有用:
1.增加
spark.network.timeout
(Spark 2.3中的默认值为120秒),这会影响以下内容:1.设置
spark.network.timeout=600s
(Spark 2.3中默认为120 s)1.设置
spark.io.compression.lz4.blockSize=512k
(Spark 2.3中默认为32 k)1.设置
spark.shuffle.file.buffer=1024k
(Spark 2.3中默认为32 k)vcirk6k66#
下面的配置为我工作。
1.保持spark.sql.shuffle.partitions和spark.default.parallelism相同数量
“spark.maxRemoteBlockSizeFetchToMem”:“2147483135”,“spark.sql.shuffle.partitions”:“3000”,“spark.default.parallelism”:“3000”,“spark.shuffle.spill.compress”:“true”,“spark.shuffle.compress”:“真”