前言
本文隶属于专栏《Spark异常问题汇总》,该专栏为笔者原创,引用请注明来源,不足和错误之处请在评论区帮忙指出,谢谢!
本专栏目录结构和参考文献请见 Spark异常问题汇总
正文
Spark 运行时有时出现 Shuffle 拉取文件失败的情况,如 Shuffle output file lost
。
真正的原因是 GC
导致的!
如果 GC 尤其是 FullGC 产生,通常会导致线程停止工作,这个时候下ー个 Stage 的 Task 在默认情况下就会重试来获取数据。
一般重试 3 次,每次重试的时间为 5s 。
也就是说,默认情况下, 15s 内如果还是无法抓到数据,就会出现 Shuffle output file lost 等情况,进而导致 Task 重试,甚至会导致 Stage 重试,最严重的是会导致 App 失败;
在这个时候首先就要采用高效的内存数据结构和序列化机制、 JVM 调优来减少 FullGC 的产生。
解决方案
Spark 下的 JVM GC 导致的 Shuffle 拉取文件失败时调优措施如下
- 在 Shuffle 的时候, Reduce 端获取数据会有一个指定大小的缓存空间,在内存足够大的情况下,可以适当地增大该缓存空间,否则会 Spill 到磁盘上,影响效率。
此时可以调整(增大)spark.reducer.maxSizeInFlight
参数。 - 在 ShuffleMapTask 端通常也会増大 Map 任务的写磁盘的缓存,默认情况下是 32KB ,即
spark.shuffle.file.buffer
32k 。 - 调整获取 Shuffle 数据的重试次数,默认是 3 次,通常建议增大重试次数:
spark.shuffle.io.maxRetries
- 调整获取 Shuffle 数据重试的时间间隔,默认为 5s ,即
spark.shuffle.io.retryWait
5s ,强烈建议增大该时间间隔。