在GCS上读取Avro文件时出现OutOfMemoryError异常

时间:2015-01-16 11:28:30

标签: google-cloud-dataflow

我将大小约为650GB的BigQuery数据集导出到GCS上的Avro文件,并运行数据流程序来处理这些Avro文件。但是,即使只处理了一个大小约为1.31GB的Avro文件,也会遇到OutOfMemoryError异常。

我收到以下错误消息,似乎异常来自AvroIO和Avro库:

Exception in thread "main" java.lang.OutOfMemoryError: GC overhead limit exceeded
        at org.apache.avro.io.BinaryDecoder.readString(BinaryDecoder.java:260)
        at org.apache.avro.io.ValidatingDecoder.readString(ValidatingDecoder.java:107)
        at org.apache.avro.generic.GenericDatumReader.readString(GenericDatumReader.java:348)
        at org.apache.avro.generic.GenericDatumReader.readString(GenericDatumReader.java:341)
        at org.apache.avro.generic.GenericDatumReader.read(GenericDatumReader.java:154)
        at org.apache.avro.generic.GenericDatumReader.read(GenericDatumReader.java:152)
        at org.apache.avro.generic.GenericDatumReader.readRecord(GenericDatumReader.java:177)
        at org.apache.avro.generic.GenericDatumReader.read(GenericDatumReader.java:148)
        at org.apache.avro.generic.GenericDatumReader.read(GenericDatumReader.java:139)
        at org.apache.avro.file.DataFileStream.next(DataFileStream.java:233)
        at org.apache.avro.file.DataFileStream.next(DataFileStream.java:220)
        at com.google.cloud.dataflow.sdk.runners.worker.AvroReader$AvroFileIterator.next(AvroReader.java:143)
        at com.google.cloud.dataflow.sdk.runners.worker.AvroReader$AvroFileIterator.next(AvroReader.java:113)
        at com.google.cloud.dataflow.sdk.util.ReaderUtils.readElemsFromReader(ReaderUtils.java:37)
        at com.google.cloud.dataflow.sdk.io.AvroIO.evaluateReadHelper(AvroIO.java:638)
        at com.google.cloud.dataflow.sdk.io.AvroIO.access$000(AvroIO.java:118)
        at com.google.cloud.dataflow.sdk.io.AvroIO$Read$Bound$1.evaluate(AvroIO.java:294)
        at com.google.cloud.dataflow.sdk.io.AvroIO$Read$Bound$1.evaluate(AvroIO.java:290)
        at com.google.cloud.dataflow.sdk.runners.DirectPipelineRunner$Evaluator.visitTransform(DirectPipelineRunner.java:611)
        at com.google.cloud.dataflow.sdk.runners.TransformTreeNode.visit(TransformTreeNode.java:200)
        at com.google.cloud.dataflow.sdk.runners.TransformTreeNode.visit(TransformTreeNode.java:196)
        at com.google.cloud.dataflow.sdk.runners.TransformHierarchy.visit(TransformHierarchy.java:109)
        at com.google.cloud.dataflow.sdk.Pipeline.traverseTopologically(Pipeline.java:204)
        at com.google.cloud.dataflow.sdk.runners.DirectPipelineRunner$Evaluator.run(DirectPipelineRunner.java:584)
        at com.google.cloud.dataflow.sdk.runners.DirectPipelineRunner.run(DirectPipelineRunner.java:328)
        at com.google.cloud.dataflow.sdk.runners.DirectPipelineRunner.run(DirectPipelineRunner.java:70)
        at com.google.cloud.dataflow.sdk.Pipeline.run(Pipeline.java:145)
        at com.htc.studio.bdi.dataflow.ActTranGenerator.main(ActTranGenerator.java:224)

对此例外的任何建议?

谢谢!

1 个答案:

答案 0 :(得分:6)

您正在使用在本地计算机上运行的DirectPipelineRunner。此模式完全在内存中运行,最适合用于测试或开发小型数据集。直接管道执行可能需要在内存中保留多个数据副本(取决于您的确切算法),因此我不建议将其用于大型文件。而是指定--runner = BlockingDataflowPipelineRunner以通过Dataflow服务运行。


此信息与您的情况没有直接关系,但在使用DataflowPipelineRunner或BlockingDataflowPipelineRunner时可能对其他遇到OOM的人有所帮助:

OutOfMemory异常可能很难诊断,因为: (1)内存耗尽的位置可能不是消耗大量内存的位置。 (2)由于Dataflow优化管道的方式,来自管道的不同逻辑组件的ParDos可能在同一JVM中一起执行。 因此,您可能必须在工作日志中查找共置的DoFns,以确定哪个DoFn实际占用了所有内存。

OOM的一个常见原因是处理KV>使用DoFn尝试将所有V保留在内存中(例如在集合中)。这不会扩展到可能具有相同键的许多值的情况。

如果没有算法问题并且您只需要具有更多内存的工作人员,则可以使用以下内容调整VM实例类型: --workerMachineType = N1-STANDARD-4