1
Я бегу Spark 2
и пытаюсь перетасовать около 5 терабайт json. Я бег в очень длинные паузы для сбора мусора во время перетасовки из Dataset
:Spark: операция в случайном порядке, ведущая к длительной паузе GC
val operations = spark.read.json(inPath).as[MyClass]
operations.repartition(partitions, operations("id")).write.parquet("s3a://foo")
Существует ли какие-либо очевидные щипки конфигурации для решения этой проблемы? Моя конфигурация выглядит следующим образом:
spark.driver.maxResultSize 6G
spark.driver.memory 10G
spark.executor.extraJavaOptions -XX:+UseG1GC -XX:MaxPermSize=1G -XX:+HeapDumpOnOutOfMemoryError
spark.executor.memory 32G
spark.hadoop.fs.s3a.buffer.dir /raid0/spark
spark.hadoop.fs.s3n.buffer.dir /raid0/spark
spark.hadoop.fs.s3n.multipart.uploads.enabled true
spark.hadoop.parquet.block.size 2147483648
spark.hadoop.parquet.enable.summary-metadata false
spark.local.dir /raid0/spark
spark.memory.fraction 0.8
spark.mesos.coarse true
spark.mesos.constraints priority:1
spark.mesos.executor.memoryOverhead 16000
spark.network.timeout 600
spark.rpc.message.maxSize 1000
spark.speculation false
spark.sql.parquet.mergeSchema false
spark.sql.planner.externalSort true
spark.submit.deployMode client
spark.task.cpus 1
Вы уверены, что вам нужен 1G MaxPermSize? Также, вероятно, стоит использовать Java8 (поэтому в случае OpenJDK/OracleJDK этот параметр игнорируется). –