我刚刚创建了range(1,100000)
的python列表。
使用SparkContext完成以下步骤:
a = sc.parallelize([i for i in range(1, 100000)])
b = sc.parallelize([i for i in range(1, 100000)])
c = a.zip(b)
>>> [(1, 1), (2, 2), -----]
sum = sc.accumulator(0)
c.foreach(lambda (x, y): life.add((y-x)))
它会给出如下警告:
ARN TaskSetManager:阶段3包含一个非常大的任务(4644KB)。建议的最大任务大小为100 KB。
如何解决此警告?有没有办法处理大小?此外,它是否会影响大数据的时间复杂性?
发布于 2017-06-16 16:27:49
扩展@leo9r注释:考虑不使用python range
,而使用sc.range
https://spark.apache.org/docs/1.6.0/api/python/pyspark.html#pyspark.SparkContext.range。
这样就避免了从你的驱动程序到执行器的巨大列表的转移。
当然,这类RDDs通常仅用于测试目的,因此您不希望广播它们。
发布于 2017-08-16 04:19:45
一般的想法是,PySpark创建的java进程数量与执行器的数量一样多,然后将数据发送到每个进程。如果进程太少,java堆空间就会出现内存瓶颈。
在您的例子中,具体的错误是您使用sc.parallelize([...])
创建的RDD没有指定分区的数量(参数numSlices
,请参阅docs)。并且RDD缺省为太小的多个分区(可能由单个分区构成)。
要解决此问题,只需指定所需的分区数量:
a = sc.parallelize([...], numSlices=1000) # and likewise for b
当您指定越来越多的切片数量时,您将看到警告消息中所述的大小减小。增加切片的数量,直到您不再收到警告消息。例如,获取
Stage 0 contains a task of very large size (696 KB). The maximum recommended task size is 100 KB
意味着您需要指定更多的切片。
在处理内存问题时可能有用的另一个提示(但这与警告消息无关):默认情况下,每个executor可用的内存约为1 GB。您可以通过命令行指定更大的数量,例如使用--executor-memory 64G
。
发布于 2015-07-20 16:32:26
在任务传送过程中,Spark原生地传送每个变量的副本。对于较大的此类变量,您可能希望使用Broadcast Variables
如果您仍然面临大小问题,那么也许这个数据本身就应该是一个RDD
https://stackoverflow.com/questions/28878654
复制相似问题