Question

错误：

ERROR TaskSetManager: Total size of serialized results of XXXX tasks (2.0 GB) is bigger than spark.driver.maxResultSize (2.0 GB)

目标：获取使用该模型的所有用户的建议，并与每个用户测试数据重叠并生成重叠率。

我使用spark mllib构建了推荐模型。我评估每个用户的测试数据和每个用户的推荐项目的重叠比率，并生成平均重叠率。

  def overlapRatio(model: MatrixFactorizationModel, test_data: org.apache.spark.rdd.RDD[Rating]): Double = {

    val testData: RDD[(Int, Iterable[Int])] = test_data.map(r => (r.user, r.product)).groupByKey
    val n = testData.count

    val recommendations: RDD[(Int, Array[Int])] = model.recommendProductsForUsers(20)
      .mapValues(_.map(r => r.product))

    val overlaps = testData.join(recommendations).map(x => {
      val moviesPerUserInRecs = x._2._2.toSet
      val moviesPerUserInTest = x._2._1.toSet
      val localHitRatio = moviesPerUserInRecs.intersect(moviesPerUserInTest)
      if(localHitRatio.size > 0)
        1
      else
        0
    }).filter(x => x != 0).count

    var r = 0.0
    if (overlaps != 0)
      r = overlaps / n

    return r

  }

但问题在于它最终导致错误maxResultSize以上。在我的火花配置中，我做了以下操作来增加maxResultSize。

val conf = new SparkConf()
conf.set("spark.driver.maxResultSize", "6g")

但这并没有解决问题，我几乎接近我分配驱动程序内存的数量但问题没有得到解决。当代码正在执行时，我一直关注着我的火花工作，而我所看到的有点令人费解。

[Stage 281:==>   (47807 + 100) / 1000000]15/12/01 12:27:03 ERROR TaskSetManager: Total size of serialized results of 47809 tasks (6.0 GB) is bigger than spark.driver.maxResultSize (6.0 GB)

在上面的阶段，代码在recommendForAll周围的spark-mllib line 277中执行MatrixFactorization代码（不完全确定行号）。

  private def recommendForAll(
      rank: Int,
      srcFeatures: RDD[(Int, Array[Double])],
      dstFeatures: RDD[(Int, Array[Double])],
      num: Int): RDD[(Int, Array[(Int, Double)])] = {
    val srcBlocks = blockify(rank, srcFeatures)
    val dstBlocks = blockify(rank, dstFeatures)
    val ratings = srcBlocks.cartesian(dstBlocks).flatMap {
      case ((srcIds, srcFactors), (dstIds, dstFactors)) =>
        val m = srcIds.length
        val n = dstIds.length
        val ratings = srcFactors.transpose.multiply(dstFactors)
        val output = new Array[(Int, (Int, Double))](m * n)
        var k = 0
        ratings.foreachActive { (i, j, r) =>
          output(k) = (srcIds(i), (dstIds(j), r))
          k += 1
        }
        output.toSeq
    }
    ratings.topByKey(num)(Ordering.by(_._2))
  }

从recommendForAll方法调用

recommendProductsForUsers方法。

但看起来该方法正在剥离1M任务。获得的数据来自2000个部分文件，所以我很困惑它开始吐出1M任务，我认为这可能是问题所在。

我的问题是如何才能真正解决这个问题。如果不使用这种方法，很难计算overlap ratio或recall@K。这是火花1.5（cloudera 5.5）

Answer 1

2GB问题对Spark社区来说并不陌生：https://issues.apache.org/jira/browse/SPARK-6235

重新/分区大小大于2GB，尝试将您的RDD重新分区（myRdd.repartition(parallelism)）到更多分区（w / r / t /您当前的并行级别），从而减少每个分区的大小

重新/旋转的任务数量（因此创建了分区），我的假设是它可能来自srcBlocks.cartesian(dstBlocks) API调用，它产生的输出RDD由（z = srcBlocks的分区数* dstBlocks组成）分区数量）分区。

在这种情况下，您可以考虑利用myRdd.coalesce(parallelism) API代替repartition API，以避免混乱（并将分区与分区相关的问题）。

SparkError：XXXX任务的序列化结果总大小（2.0 GB）大于spark.driver.maxResultSize（2.0 GB）

1 个答案: