加入收藏 | 设为首页 | 会员中心 | 我要投稿 李大同 (https://www.lidatong.com.cn/)- 科技、建站、经验、云计算、5G、大数据,站长网!
当前位置: 首页 > 综合聚焦 > 服务器 > 安全 > 正文

scala – SparkError:XXXX任务的序列化结果总大小(2.0 GB)大于s

发布时间:2020-12-16 19:14:25 所属栏目:安全 来源:网络整理
导读: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构建了一个
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构建了一个推荐模型.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

  }

但问题是它最终会抛出maxResultSize错误.在我的spark配置中,我做了以下操作以增加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.虽然代码正在执行,但我仍然关注我的火花工作,我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)

在上面的阶段代码是在第277行的spark-mllib recommendedForAll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,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))
  }

suggestForAll方法从suggestProductsForUsers方法调用.

但看起来这种方法正在剥离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,很难计算重叠率或召回@K.这是火花1.5(cloudera 5.5)

解决方法

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,尝试重新分区(myRdd.repartition(parallelism))你的RDD到更多的分区(w / r / t /你当前的并行级别),从而减少每个单独分区的大小.

Re /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的数量组成)分区).

在这种情况下,您可以考虑利用myRdd.coalesce(并行)API而不是重新分区来避免混乱(并分区与分离的相关问题).

(编辑:李大同)

【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容!

    推荐文章
      热点阅读