Apache spark Spark java.lang.OutOfMemoryError:java堆空间

当我使用spark运行模型训练管道时，我遇到了上述错误

`val inputData = spark.read
  .option("header", true)
  .option("mode","DROPMALFORMED")
  .csv(input)
  .repartition(500)
  .toDF("b", "c")
  .withColumn("b", lower(col("b")))
  .withColumn("c", lower(col("c")))
  .toDF("b", "c")
  .na.drop()`

inputData约有2500万行，大小约为2gb。模型构建阶段就是这样发生的

val tokenizer = new Tokenizer()
  .setInputCol("c")
  .setOutputCol("tokens")

val cvSpec = new CountVectorizer()
  .setInputCol("tokens")
  .setOutputCol("features")
  .setMinDF(minDF)
  .setVocabSize(vocabSize)

val nb = new NaiveBayes()
  .setLabelCol("bi")
  .setFeaturesCol("features")
  .setPredictionCol("prediction")
  .setSmoothing(smoothing)

new Pipeline().setStages(Array(tokenizer, cvSpec, nb)).fit(inputData)

我使用以下命令在一台16gb RAM的机器上本地运行上述spark作业

spark submit--class holmes.model.building.ModelBuilder./holmes model building/target/scala-2.11/holmes-model-building_2.11-1.0.0-SNAPSHOT-7d6978.jar--master local[*]--conf spark.serializer=org.apache.spark.serializer.KryoSerializer--conf spark.KryoSerializer.buffer.max=2000m--conf spark.driver.maxResultSize=2g--conf spark.rpc.message.maxSize=1024--conf spark.memory.offHeap.enabled=true--conf spark.memory.offHeap.size=50g--驱动程序内存=12g

oom错误由（在堆栈跟踪的底部）触发 通过org.apache.spark.util.collection.ExternalSorter.writePartitionedFile（ExternalSorter.scala:706）

日志：

Caused by: java.lang.OutOfMemoryError: Java heap space at java.lang.reflect.Array.newInstance(Array.java:75) at java.io.ObjectInputStream.readArray(ObjectInputStream.java:1897) at java.io.ObjectInputStream.readObject0(ObjectInputStream.java:1529) java.io.ObjectInputStream.readOrdinaryObject(ObjectInputStream.java:2027) at java.io.ObjectInputStream.readObject0(ObjectInputStream.java:1535) org.apache.spark.util.collection.ExternalSorter.writePartitionedFile(ExternalSorter.scala:706) 

任何建议都很好：）

我会尝试的事情：

1） 删除

spark.memory.offHeap.enabled=true

并将驱动程序内存增加到机箱上可用内存的90%左右。您可能知道这一点，因为您没有设置执行器内存，但在本地模式下，驱动程序和执行器都在同一进程中运行，该进程由驱动程序内存控制。我还没有试过，但是

堆外

功能听起来价值有限

2） 实际群集而不是本地模式。更多的节点显然会给你更多的内存

3a）如果您想坚持使用本地模式，请尝试使用较少的内核。您可以通过指定要在主设置中使用的核心数量来实现这一点，例如

--master local[4]

而不是使用所有核心的

local[*]

。用更少的线程同时运行处理数据将导致在任何给定时间RAM中的数据更少

3b）如果您移动到集群，您可能还需要调整executors核心的数量，原因与上述相同。您可以使用

--executor cores

标志执行此操作

---

4） 尝试使用更多分区。在您的示例代码中，您将分区重新划分为500个分区，可能尝试1000或2000个分区？更多的分区意味着每个分区更小，内存压力更小。

通常，当Java堆中没有足够的空间分配对象时，会抛出此错误。在这种情况下，垃圾收集器无法提供空间来容纳新对象，堆也无法进一步扩展。此外，当本机内存不足以支持加载Java类时，可能会引发此错误。在极少数情况下，当执行垃圾收集的时间过长且释放的内存很少时，可能会抛出java.lang.OutOfMemoryError

如何修复错误：

Caused by: java.lang.OutOfMemoryError: Java heap space at java.lang.reflect.Array.newInstance(Array.java:75) at java.io.ObjectInputStream.readArray(ObjectInputStream.java:1897) at java.io.ObjectInputStream.readObject0(ObjectInputStream.java:1529) java.io.ObjectInputStream.readOrdinaryObject(ObjectInputStream.java:2027) at java.io.ObjectInputStream.readObject0(ObjectInputStream.java:1535) org.apache.spark.util.collection.ExternalSorter.writePartitionedFile(ExternalSorter.scala:706) 

---

请在java.io.ObjectInputStream.readArray（ObjectInputStream.java:1897）的java.io.ObjectInputStream.readObject0（ObjectInputStream.java:1529）的java.io.ObjectInputStream.readArray（ObjectInputStream.java:1897）处添加由以下原因引起的完整日志˚：java.lang.OutOfMemoryError:java.lang.reflect.Array.newInstance（Array.java:75）（ObjectInputStream.java:2027）位于java.io.ObjectInputStream.readObject0（ObjectInputStream.java:1535）org.apache.spark.util.collection.ExternalSorter.writePartitionedFile（ExternalSorter.scala:706）这能回答你的问题吗？谢谢你，Ryan。我会试试你的建议。