Apache Spark中的大型RDD[Matrix Entry]超出了GC开销限制

Question

我有一个csv文件存储了维度为6365x214的用户项的数据，我正在使用org的columnComplications（）查找用户相似性。阿帕奇。火花mllib。利纳格。分发。坐标矩阵。

我的代码如下：

import org.apache.spark.mllib.linalg.{Vector, Vectors}
import org.apache.spark.mllib.linalg.distributed.{RowMatrix, 
MatrixEntry, CoordinateMatrix}
import org.apache.spark.rdd.RDD

def rddToCoordinateMatrix(input_rdd: RDD[String]) : CoordinateMatrix = {

    // Convert RDD[String] to RDD[Tuple3]
    val coo_matrix_input: RDD[Tuple3[Long,Long,Double]] = input_rdd.map(
        line => line.split(',').toList
    ).map{
            e => (e(0).toLong, e(1).toLong, e(2).toDouble)
    }

    // Convert RDD[Tuple3] to RDD[MatrixEntry]
    val coo_matrix_matrixEntry: RDD[MatrixEntry] = coo_matrix_input.map(e => MatrixEntry(e._1, e._2, e._3))

    // Convert RDD[MatrixEntry] to CoordinateMatrix
    val coo_matrix: CoordinateMatrix  = new CoordinateMatrix(coo_matrix_matrixEntry)

    return coo_matrix
}

// Read CSV File to RDD[String]
val input_rdd: RDD[String] = sc.textFile("user_item.csv")

// Read RDD[String] to CoordinateMatrix
val coo_matrix = rddToCoordinateMatrix(input_rdd)

// Transpose CoordinateMatrix
val coo_matrix_trans = coo_matrix.transpose()

// Convert CoordinateMatrix to RowMatrix
val mat: RowMatrix = coo_matrix_trans.toRowMatrix()

// Compute similar columns perfectly, with brute force
// Return CoordinateMatrix
val simsPerfect: CoordinateMatrix = mat.columnSimilarities()

// CoordinateMatrix to RDD[MatrixEntry]
val simsPerfect_entries = simsPerfect.entries

simsPerfect_entries.count()

// Write results to file
val results_rdd = simsPerfect_entries.map(line => line.i+","+line.j+","+line.value)

results_rdd.saveAsTextFile("similarity-output")

// Close the REPL terminal
System.exit(0)

当我在spark shell上运行这个脚本时，在运行了一行代码simsPerfect\u条目之后，我得到了以下错误。count（）：

java.lang.OutOfMemoryError: GC overhead limit exceeded

我尝试了很多别人已经给出的解决方案，但都没有成功。

1通过增加每个执行器进程使用的内存量spark。遗嘱执行人。内存=1g

2通过减少驱动程序进程使用的内核数spark.driver.cores=1

建议我一些方法来解决这个问题。

Answer 1

所有Spark转换都是惰性的，直到您实际实现它为止。定义RDD到RDD数据操作时，Spark只是将操作链接在一起，而不执行实际计算。因此，当您调用sims\u条目时。count（），执行操作链并获得您的编号。

错误GC开销限制超过意味着JVM垃圾回收器活动非常高，以至于停止了代码的执行。GC活性如此之高是由于以下原因：

• 你产生了太多的小物体，并立即丢弃它们。看起来你不是。
• 您的数据不适合JVM堆。就像如果你试图加载2GB的文本文件到RAM，但只有1GB的JVM堆。看起来这是你的案子。

要解决此问题，请尝试增加上的JVM堆数量：

• 如果您有分布式Spark设置，请选择工作节点