一、问题
使用spark join两张表（5000w*500w）总是出错，报的异常显示是在shuffle阶段。
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 |
|
出问题的代码块（scala）
1 val cRdd = iRdd.leftOuterJoin(label).map {
2 case (id, (iMap, Some(set))) => (id, (iMap, set))
3 case (id, (iMap, None)) => (id, (iMap, new HashSet[Int]()))
4 }.persist(StorageLevel.MEMORY_AND_DISK)
二、问题分析与解决
一般spark job很多问题都是来源于系统资源不够用，通过监控日志等判断是内存资源占用过高导致的问题，因此尝试通过配置参数的方法来解决。
1）--conf spark.akka.frameSize=100
此参数控制Spark中通信消息的最大容量 （如task的输出结果），默认为10M。当处理大数据时，task的输出可能会大于这个值，需要根据实际数据设置一个更高的值。尝试将此参数设置成100M后，问题未能解决。
2）--conf spark.shuffle.manager=SORT
Spark默认的shuffle采用Hash模式，在HASH模式下，每一次shuffle会生成M*R的数量的文件（M指的是Map的数目，R指的是Reduce的数目），而当Map和Reduce的数目开得较大时，会产生相当规模的文件，与此同时带来了大量的内存开销。
为了降低系统资源，可以采用Sort模式，Sort模式只产生M数量的文件。具体可以参考：Sort-based Shuffle之初体验
在我们的应用场景下，采用Sort模式后，shuffle时间比之前增大了1/3，但是问题依旧未解决。
3）--conf spark.yarn.executor.memoryOverhead=4096
executor堆外内存设置。起初是1024M，未能跑过，后改为4096M，Job就能跑通，原因是程序使用了大量的堆外内存。