Sparkyr中的堆空间不足，但内存充足

Question

即使在相当小的数据集上，我也会遇到堆空间错误。我可以确定我没有耗尽系统内存。例如，考虑一个包含大约20M行和9列的数据集，它占用了磁盘上的1GB。我正在一个具有30gb内存的Google Compute节点上玩它。

假设我在一个名为df的数据框中有这些数据。以下操作很好，但速度有点慢：

library(tidyverse) 
uniques <- search_raw_lt %>%
    group_by(my_key) %>%
    summarise() %>%
    ungroup()

下面抛出java。lang.OutOfMemoryError：Java堆空间。

library(tidyverse)
library(sparklyr)
sc <- spark_connect(master = "local")

df_tbl <- copy_to(sc, df)

unique_spark <- df_tbl %>%
  group_by(my_key) %>%
  summarise() %>%
  ungroup() %>%
  collect()

我尝试了这个建议，以增加要激发的堆空间。问题仍然存在。观察机器在htop上的状态，我发现总内存使用量从未超过10gb。

library(tidyverse)
library(sparklyr)

config <- spark_config()
config[["sparklyr.shell.conf"]] <- "spark.driver.extraJavaOptions=-XX:MaxHeapSize=24G"

sc <- spark_connect(master = "local")

df_tbl <- copy_to(sc, df)

unique_spark <- df_tbl %>%
  group_by(my_key) %>%
  summarise() %>%
  ungroup() %>%
  collect()

最后，根据桑迪普的评论，我尝试将MaxHeapSize降低到4G。（MaxHeapSize是每个虚拟工作者还是整个Spark本地实例？）我仍然收到堆空间错误，而且我没有使用太多系统内存。

Answer 1

在研究Sandeep的建议时，我开始深入研究Sparkyr部署说明。其中提到驱动程序在此阶段可能会耗尽内存，并调整一些设置以更正它。

这些设置没有解决问题，至少最初没有。然而，将问题隔离到collect阶段允许我使用SparkR在SO上找到类似的问题。

这些答案部分取决于设置环境变量SPARK_MEM。把它们放在一起，我让它工作如下：

library(tidyverse)
library(sparklyr)

# Set memory allocation for whole local Spark instance
Sys.setenv("SPARK_MEM" = "13g")

# Set driver and executor memory allocations
config <- spark_config()
config$spark.driver.memory <- "4G"
config$spark.executor.memory <- "1G"

# Connect to Spark instance
sc <- spark_connect(master = "local")

# Load data into Spark
df_tbl <- copy_to(sc, df)

# Summarise data
uniques <- df_tbl %>%
  group_by(my_key) %>%
  summarise() %>%
  ungroup() %>%
  collect()