Apache spark 如何通过增加spark'解决pyspark`org.apache.arrow.vector.util.DalLocationException`错误；什么是记忆？

我正在

pyspark

中运行一个作业，在这里我曾经使用过一个。这会导致以下（此处简称）错误：

我相当肯定这是因为pandas UDF接收的其中一个组非常大，如果我减少数据集并删除足够多的行，我可以毫无问题地运行我的UDF。然而，我想用我的原始数据集运行，即使我在一台内存为192.0 GiB的机器上运行这个spark作业，我仍然会得到相同的错误。（192.0 GiB应该足以将整个数据集保存在内存中。）

如何为spark提供足够的内存以运行需要大量内存的UDF？

例如，是否有一些spark配置我错过了，它为ApacheArrow提供了更多内存

更长的错误消息

---

根据我的理解，在应用函数之前，组的所有数据都会加载到内存中。这可能会导致内存不足异常，尤其是在组大小不一致的情况下。maxRecordsPerBatch的配置不适用于组，由您来确保分组的数据适合可用内存

您可以尝试添加数据，以确保组没有扭曲。请参阅下面的文章，其中讨论了连接的盐渍。同样的概念也可以在这里应用

您是否已尝试将

--executor memory

spark submit选项设置为

180g

，以便spark使用所有可用内存

实际上，Spark看起来并不是一个典型的数据倾斜问题。当您的一个数据结构达到Apache Arrow内部限制时，这看起来是一种非常奇怪的情况—缓冲区的大小不能超过Integer.MAX_VALUE字节：。我不确定Arrow是如何工作的，但对我来说，您的一个数据点似乎包含超过4GB的数据

---

Spark的PandasUDF功能使用Arrow framework将Spark数据帧转换为PandasUDF数据帧，此时Arrow内部缓冲区限制仅为2GB，因此您的PandasUDF分组条件不应产生超过2GB的未压缩数据

df.groupby('id').apply(function)

我是说

只有在按分区分组的情况下，才能运行pandas UDF方法 大小小于2 GB未压缩

这是票供你参考

---

上述问题似乎在>=0.15版本的pyarrow中得到了解决，只有Spark 3.x使用pyarrow 0.15版本

箭头0.16已将最大缓冲区分配大小从MaxInteger更改为MaxLong（64位）

截至2020年7月，上游Spark仍基于箭头0.15

Netty后备缓冲区仍然不支持此功能。。所以，很可能你仍然会把这个问题作为一个不同的例外

因此，由于上述限制，到目前为止，这仍然是不可能的

这可能会在火花侧得到修复 其想法是将GroupedData分批提供给熊猫UDF以解决此问题

---

更新：Databricks平台上的PySpark没有此问题。需要DBR7.4+

这也是我的理解。我的问题是：我能增加Spark的可用内存来容纳我庞大的团队吗？这里的一个假设是，我可用的200GB RAM并非全部由spark使用。这取决于集群的配置。您能否分享集群的详细信息，如执行器数量、执行器内存、内核等？您是否解决过此问题？我也经历了这一点……我相信@artem vovsia是正确的，因为我达到了Apache Arrows的内部限制。所以我“解决”了这个问题（了解它的原因），但这并不是一个简单的解决办法。我必须经历的艰难解决方案就是通过Arrow发送更少的数据。例如，我用字符串将所有列编码为整数和其他破解。

---------------------------------------------------------------------------
Py4JJavaError                             Traceback (most recent call last)
 in 
----> 1 device_attack_result.count()
      2 
      3 
      4 

/usr/lib/spark/python/pyspark/sql/dataframe.py in count(self)
    520         2
    521         """
--> 522         return int(self._jdf.count())
    523 
    524     @ignore_unicode_prefix

/usr/lib/spark/python/lib/py4j-0.10.7-src.zip/py4j/java_gateway.py in __call__(self, *args)
   1255         answer = self.gateway_client.send_command(command)
   1256         return_value = get_return_value(
-> 1257             answer, self.gateway_client, self.target_id, self.name)
   1258 
   1259         for temp_arg in temp_args:

/usr/lib/spark/python/pyspark/sql/utils.py in deco(*a, **kw)
     61     def deco(*a, **kw):
     62         try:
---> 63             return f(*a, **kw)
     64         except py4j.protocol.Py4JJavaError as e:
     65             s = e.java_exception.toString()

/usr/lib/spark/python/lib/py4j-0.10.7-src.zip/py4j/protocol.py in get_return_value(answer, gateway_client, target_id, name)
    326                 raise Py4JJavaError(
    327                     "An error occurred while calling {0}{1}{2}.\n".
--> 328                     format(target_id, ".", name), value)
    329             else:
    330                 raise Py4JError(

Py4JJavaError: An error occurred while calling o818.count.
: org.apache.spark.SparkException: Job aborted due to stage failure: Task 102 in stage 27.0 failed 4 times, most recent failure: Lost task 102.3 in stage 27.0 (TID 3235, ip-172-31-111-163.ec2.internal, executor 1): org.apache.arrow.vector.util.OversizedAllocationException: Unable to expand the buffer
...

df.groupby('id').apply(function)