排查 Amazon EMR 上 Spark 中的“Container killed by YARN for exceeding memory limits”错误

作为一名大数据开发工程师，经常需要处理和优化分布式计算任务。最近，我在处理一个复杂的 Spark 作业时，遇到了一个棘手的问题：容器因为内存超限被 YARN 终止。

这次经历让我深刻理解了内存管理的重要性，也学到了许多实用的技巧。下面，我将分享这次排查和解决问题的全过程。

起因：意外的中断

那天，我接到一个紧急任务，需要处理一组巨大的日志数据来生成每日业务报表。这份报表对于公司的业务决策至关重要，需要在几个小时内完成。于是，我将任务提交到 Amazon EMR 上的 Spark 集群，希望能快速完成计算。然而，不久后，我收到了错误通知：“Container killed by YARN for exceeding memory limits”。任务中断了，我必须找到解决方案。

初步调查：日志分析

第一步，我深入查看了 YARN 日志，确认了内存超限是导致容器被终止的原因。显然，默认的内存设置不足以支撑这个高负载任务。于是，我决定从几个方面逐步优化，确保作业顺利运行。

提高内存开销

我的第一个尝试是提高内存开销。内存开销是分配给每个执行者的外堆内存量，用于 Java NIO 直接缓冲区、线程堆栈等。默认情况下，内存开销是执行程序内存的 10% 或 384MB，以较高者为准。我逐步将内存开销提高到 25%，希望能缓解内存压力。

1. 在正在运行的集群上修改配置：

   sudo vim /etc/spark/conf/spark-defaults.conf
   
   spark.driver.memoryOverhead 512
   spark.executor.memoryOverhead 512
   

2. 在新的集群上启动时添加配置：

   [
     {
       "Classification": "spark-defaults",
       "Properties": {
         "spark.driver.memoryOverhead": "512",
         "spark.executor.memoryOverhead": "512"
       }
     }
   ]
   

3. 对于单个作业，在运行 spark-submit 时增加内存开销：

   spark-submit --class org.apache.spark.examples.SparkPi --master yarn --deploy-mode cluster --conf spark.driver.memoryOverhead=512 --conf spark.executor.memoryOverhead=512 /usr/lib/spark/examples/jars/spark-examples.jar 100
   

遗憾的是，尽管内存开销增加了，问题依然存在。我意识到需要进一步优化。

减少执行程序内核数量

接下来，我考虑减少执行程序的内核数量。这意味着每个执行程序可以执行的任务数量减少，从而降低内存需求。我将驱动程序和执行程序的内核数量减少到 3 核。

1. 在正在运行的集群上修改配置：

   sudo vim /etc/spark/conf/spark-defaults.conf
   
   spark.driver.cores 3
   spark.executor.cores 3
   

2. 在新的集群上启动时添加配置：

   [
     {
       "Classification": "spark-defaults",
       "Properties": {
         "spark.driver.cores": "3",
         "spark.executor.cores": "3"
       }
     }
   ]
   

3. 对于单个作业，在运行 spark-submit 时减少内核数量：

   spark-submit --class org.apache.spark.examples.SparkPi --master yarn --deploy-mode cluster --executor-cores 3 --driver-cores 3 /usr/lib/spark/examples/jars/spark-examples.jar 100
   

即使这样调整，任务仍然因为内存问题而失败。看来需要更彻底的解决方案。

增加分区数量

考虑到任务的规模，我决定增加分区数量，以减少每个分区的内存负担。我修改了 spark.default.parallelism 的值，并在代码中使用 .repartition() 操作，成功减少了每个分区的内存需求。然而，问题依然未能完全解决。

提高驱动程序和执行程序内存

最后，我决定提高驱动程序和执行程序的内存，但不能同时增加两者。确保总内存开销不超过实例的限制是关键。

1. 在正在运行的集群上修改配置：

   sudo vim /etc/spark/conf/spark-defaults.conf
   
   spark.executor.memory 1g
   spark.driver.memory 1g
   

2. 在新的集群上启动时添加配置：

   [
     {
       "Classification": "spark-defaults",
       "Properties": {
         "spark.executor.memory": "1g",
         "spark.driver.memory": "1g"
       }
     }
   ]
   

3. 对于单个作业，在运行 spark-submit 时提高内存：

   spark-submit --class org.apache.spark.examples.SparkPi --master yarn --deploy-mode cluster --executor-memory 1g --driver-memory 1g /usr/lib/spark/examples/jars/spark-examples.jar 100
   

总结：最终解决方案

经过多次尝试和调整，我终于解决了内存超限的问题。总结起来，以下几点是关键：

基准测试

使用示例数据集运行应用程序，识别潜在的内存问题。

数据筛选

确保处理最少量的数据，避免多余数据拖慢应用程序。

分区策略

使用合理的分区策略，避免大型分区和数据倾斜。

EC2 实例类型

选择更大的内存优化型实例，以满足工作负载需求。

通过这些方法，我成功优化了 Spark 任务，确保了业务报表的及时生成。这次经历不仅提升了我的技术能力，也让我深刻体会到内存管理的重要性。

希望这些经验对大家有所帮助，在面对类似问题时，能够快速找到合适的解决方案。