Ошибка памяти Pyspark при чтении файлов S3 json - «java .lang.OutOfMemoryError: G C превышен предел служебных данных» - PullRequest
Новая
       72

Ошибка памяти Pyspark при чтении файлов S3 json - «java .lang.OutOfMemoryError: G C превышен предел служебных данных»

0 голосов
/ 14 апреля 2020

Используя Pyspark, я получаю сообщение об ошибке при попытке загрузить большое количество json файлов из S3 в кадр данных. Ошибка, кажется, зависит от памяти драйвера, используемой моим сеансом зажигания Сообщение об ошибке гласит: «java .lang.OutOfMemoryError: G C превышен предел накладных расходов». Я потратил значительное время на онлайн исследования, но не смог найти ничего, что указывало бы на точную причину этой ошибки. Пожалуйста, найдите полное сообщение об ошибке и код ниже.

Буду признателен за любую помощь в этом!


Окружение драйвера
Я использую pyspark в блокнот jupyter, работающий в jupyterlab, который сам работает на экземпляре EC2 с 30 ГБ доступной оперативной памяти.

ресурсы Sparksession
spark.executor.memory: 3 ГБ
spark.executor .cores: 2
spark.driver.memory: 5GB
spark.cores.max: 300

Data
Я пытаюсь прочитать о 500k json файлов, хранящихся в S3, с общим объемом данных 100 + ГБ. Каждый файл представляет собой одну запись. Я читаю файлы как json, используя spark.read.json(), без предопределенной схемы. Я понимаю, что этот способ хранения + чтения данных далек от идеала - паркет был бы предпочтительнее - но это статус-кво в моей компании атм.

Проверка ошибок

  • При вызове операции чтения спарк сначала выполняет шаг, на котором перечисляются все базовые файлы в S3, который успешно выполняется. После этого он выполняет начальную загрузку всех данных для построения составной схемы json для всех файлов. Именно на этом последнем этапе возникает ошибка.
  • Я пытался увеличить / уменьшить количество ядер, исполнителей, памяти исполнителя. Т.е. даже при более чем достаточной общей памяти исполнителя ошибка сохраняется
  • Единственное, что устраняет ошибку , - это увеличение памяти драйвера сеанса зажигания, например, до 10 ГБ + памяти. Это, однако, ломается снова, как только я пытаюсь взять на себя более высокую загрузку данных. Я обнаружил, что объем данных, которые я могу загрузить, кажется, напрямую коррелирует с количеством используемых оперативной памяти водителя.
  • Я не знаю, какая из последних моделей. В некоторых случаях мне нужно 25 ГБ оперативной памяти для загрузки. Почему искра требует так много памяти водителя? Если действительно ошибка возникает из-за построения схемы, почему / что spark.read.json возвращает драйверу, который, кажется, съел оперативную память?

Код 

import findspark
findspark.init()
import pyspark

spark = (
    pyspark.sql.SparkSession.builder
    .config('spark.executor.memory', '3g')
    .config('spark.executor.cores', '2')
    .config('spark.driver.memory','5g')
    .config('spark.cores.max', '300')
    .getOrCreate()
)

data = spark.read.json('s3a://some-bucket/some-prefix/year=2020/month=01/')
            .select('field1', 'field2', 'field3')

Полная ошибка 

/opt/spark/python/pyspark/sql/readwriter.py in json(self, path, schema, primitivesAsString, prefersDecimal, allowComments, allowUnquotedFieldNames, allowSingleQuotes, allowNumericLeadingZero, allowBackslashEscapingAnyCharacter, mode, columnNameOfCorruptRecord, dateFormat, timestampFormat, multiLine, allowUnquotedControlChars, lineSep, samplingRatio, dropFieldIfAllNull, encoding)
    272             path = [path]
    273         if type(path) == list:
--> 274             return self._df(self._jreader.json(self._spark._sc._jvm.PythonUtils.toSeq(path)))
    275         elif isinstance(path, RDD):
    276             def func(iterator):

/opt/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:

/opt/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()

/opt/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 o57.json.
: java.lang.OutOfMemoryError: GC overhead limit exceeded
    at java.util.Arrays.copyOfRange(Arrays.java:3664)
    at java.lang.String.<init>(String.java:207)
    at java.lang.String.substring(String.java:1969)
    at org.apache.hadoop.fs.Path.<init>(Path.java:219)
    at org.apache.spark.sql.execution.datasources.InMemoryFileIndex$$anonfun$bulkListLeafFiles$3.apply(InMemoryFileIndex.scala:254)
    at org.apache.spark.sql.execution.datasources.InMemoryFileIndex$$anonfun$bulkListLeafFiles$3.apply(InMemoryFileIndex.scala:243)
    at scala.collection.TraversableLike$$anonfun$map$1.apply(TraversableLike.scala:234)
    at scala.collection.TraversableLike$$anonfun$map$1.apply(TraversableLike.scala:234)
    at scala.collection.IndexedSeqOptimized$class.foreach(IndexedSeqOptimized.scala:33)
    at scala.collection.mutable.ArrayOps$ofRef.foreach(ArrayOps.scala:186)
    at scala.collection.TraversableLike$class.map(TraversableLike.scala:234)
    at scala.collection.mutable.ArrayOps$ofRef.map(ArrayOps.scala:186)
    at org.apache.spark.sql.execution.datasources.InMemoryFileIndex$.bulkListLeafFiles(InMemoryFileIndex.scala:243)
    at org.apache.spark.sql.execution.datasources.InMemoryFileIndex.listLeafFiles(InMemoryFileIndex.scala:126)
    at org.apache.spark.sql.execution.datasources.InMemoryFileIndex.refresh0(InMemoryFileIndex.scala:91)
    at org.apache.spark.sql.execution.datasources.InMemoryFileIndex.<init>(InMemoryFileIndex.scala:67)
    at org.apache.spark.sql.execution.datasources.DataSource.org$apache$spark$sql$execution$datasources$DataSource$$createInMemoryFileIndex(DataSource.scala:533)
    at org.apache.spark.sql.execution.datasources.DataSource.resolveRelation(DataSource.scala:371)
    at org.apache.spark.sql.execution.datasources.json.TextInputJsonDataSource$.createBaseDataset(JsonDataSource.scala:123)
    at org.apache.spark.sql.execution.datasources.json.TextInputJsonDataSource$.infer(JsonDataSource.scala:96)
    at org.apache.spark.sql.execution.datasources.json.JsonDataSource.inferSchema(JsonDataSource.scala:64)
    at org.apache.spark.sql.execution.datasources.json.JsonFileFormat.inferSchema(JsonFileFormat.scala:59)
    at org.apache.spark.sql.execution.datasources.DataSource$$anonfun$6.apply(DataSource.scala:180)
    at org.apache.spark.sql.execution.datasources.DataSource$$anonfun$6.apply(DataSource.scala:180)
    at scala.Option.orElse(Option.scala:289)
    at org.apache.spark.sql.execution.datasources.DataSource.getOrInferFileFormatSchema(DataSource.scala:179)
    at org.apache.spark.sql.execution.datasources.DataSource.resolveRelation(DataSource.scala:373)
    at org.apache.spark.sql.DataFrameReader.loadV1Source(DataFrameReader.scala:223)
    at org.apache.spark.sql.DataFrameReader.load(DataFrameReader.scala:211)
    at org.apache.spark.sql.DataFrameReader.json(DataFrameReader.scala:391)
    at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
    at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
...