问题背景
笔者在处理一项刷数据的工作,过程是将数据源A的数据经过一些调整和计算后存入到数据源B,整个过程大致如下图所示。
过程概述
整个刷数据过程分为以下步骤:
通过执行SQL的join语句查询指定的数据(select A1.col1,A1.col2,A2.col3 from A1 join A2 on A1.col1=A2.col1 where userid=10086 > temp.out)
此时temp.out中的文件格式形如col1 \t col2 \t col3
通过在client端执行RPC调用(如dubbo)请求server端已有的添加接口将数据写入到表B
这么做是因为表B数据的写入伴随着相关的业务逻辑(例如操作记录、消息通知等),因此需要复用server端已有的接口,步骤二client端的伪代码如下:
def transfer():
uid2Data = {}
for file in directory.listFiles(): # directory中有622个文件,共2.1G
uid = resolveUid(file)
uid2Data[uid] = resolveData(file) # 平均每个file中有30w行数据
for uid,data in uid2Data.items():
requestServer(uid, data) # 请求server
过程中出现的问题
-server -Xms16384m -Xmx32768m
在执行步骤二的时候首先是出现了java.lang.OutOfMemoryError: Java heap space错误,错误的原因很明显是JVM堆空间不足,这时统计了下文件系统中数据的量级已经达到了2.1G,从client端的伪代码实现也可以看出,是uid2Data这个Map太大了,在装载这个Map的时候出现了堆内存不足。
内存不足
由于client端代码改造成本较大,笔者开始从JVM调参入手考虑,既然堆内存不足,就调大堆内存为-server -Xms16384m -Xmx32768m
-server,既然刷数据任务比较漫长,则使用server模式运行重量级虚拟机来对运行时内存进行更多优化
JVM有两种运行模式Server与Client。两种模式的区别在于,Client模式启动速度较快,Server模式启动较慢;但是启动进入稳定期长期运行之后Server模式的程序运行速度比Client要快很多。这是因为Server模式启动的JVM采用的是重量级的虚拟机,对程序采用了更多的优化;而Client模式启动的JVM采用的是轻量级的虚拟机。所以Server启动慢,但稳定后速度比Client远远要快。
-Xms,-Xmx,设置JVM初始内存和最大内存
由此,遇到了我们第一个坑,The specified size exceeds the maximum representable size
Error: Could not create the Java Virtual Machine.
Error: A fatal exception has occurred. Program will exit.
Invalid initial heap size: -Xms8192m
The specified size exceeds the maximum representable size.
一脸懵逼
OutOfMemoryError,简称OOM,是Java开发中常见的错误,OOM是一种Error,区别于Exception(例如NPE,NullPointerException),Error一般是虚拟机相关的问题,如系统崩溃、内存空间不足、方法调用栈溢出等,应用程序本身无法处理Error类错误,这种情况下建议让程序终止
OutOfMemoryError与FullGC的关系,FullGC通常发生在JVM老年代空间不足,概括理解为JVM不得不停下手上的工作清理屋子的垃圾,JVM区分垃圾的方式一般是通过GCRoot的强引用,如果一个对象没有到GCRoot的强引用,则判定为垃圾并进行回收。反之,如果一个对象有到GCRoot的强引用(存活),则不论内存多么不足都坚决不回收,这么做的结果就可能会导致OOM。也就是说,发生了OOM可以理解为就是内存不足,而FullGC关注的点是运行太慢。
32bit vs. 64bit(jdk与操作系统)
经过一番排查后,发现报错的原因是申请的堆空间超过了最大寻址空间,但是我们的操作系统是windows10 64bit,排查发现是使用了32位的JDK,导致申请的空间不足。
于是笔者调低了申请的堆空间大小为4G,因为32位操作系统的寻址范围是2^32次方,不论实际内存空间有多少,操作系统都会给每个进程分配独立的4GB内存空间(虚拟内存+页表),这样总没问题了吧,当笔者正因为自己操作系统的知识而沾沾自喜时,同样的报错还是发生了。
得意
经过一系列搜索+分析,才发现操作系统给每个进程分配的空间是用户空间+内核空间,所以其实在windows中JVM最大可用内存为1.5G,但是1.5G运行过后还是提示OOM,笔者只好放弃32位JDK,选择下载64位JDK,调大JVM堆空间再运行后程序正常执行。
反思
调整代码逻辑
想必很多读者已经发现了,“你兜兜转转搞了这么多不就是因为上面那段代码写的太烂了吗?”,确实,所以这也是后面相关刷数据操作需要牢记的原则,一定要合理评估操作的数据量并且依据数据量评估实现方案,很多时候会遇到这样测试时稳得一批的代码,在实际操作大量数据的时候血崩的情况。
代码应该调整为如下
def transfer():
for file in directory.listFiles(): # directory中有622个文件,共2.1G
uid = resolveUid(file)
data = resolveData(file) # 平均每个file中有30w行数据
requestServer(uid, data) # 每个文件内容单独请求一次server
Map-Reduce的思想
当处理的数据量大到一定程度时,就会很自然的想到将数据分开并发去请求,因为RPC服务的server往往是多台服务器,可以将622个文件的每次请求都改为并行请求server的一个线程,在执行后分别收集每个线程的执行结果并汇总。
client-多server
这个思想其实比较类似于Map-Reduce[1]的思想了,并发请求不同server的过程就是map的过程,收集每个线程的结果并汇总的过程其实就是reduce的过程。
如果存储在文件系统中的数据很大,大到单机的磁盘不足,就需要放到HDFS下,client脚本也需要去不同HDFS机器上取数并运算,请求的结果进行汇总时也需要reduce机器进行合并汇总。
扩展阅读