Spark:随机操作导致GC暂停

时间:2016-08-16 18:12:59

标签: scala apache-spark garbage-collection apache-spark-sql g1gc

我正在运行Spark 2并试图改变大约5 TB的json。在Dataset改组时,我遇到了很长时间的垃圾收集暂停:

val operations = spark.read.json(inPath).as[MyClass]
operations.repartition(partitions, operations("id")).write.parquet("s3a://foo")

是否有任何明显的配置调整来处理这个问题?我的配置如下:

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

1 个答案:

答案 0 :(得分:5)

添加以下标志可以消除GC暂停。

(?:\s*)(©|�|©)(?:\s*20\d\d,\sMail Services)

我认为这确实需要相当多的调整。 This数据库帖子非常有帮助。