Question

我有一个csv文件存储了维度6,365x214的用户项数据，我通过使用org.apache.spark.mllib.linalg.distributed.CoordinateMatrix的 columnSimilarities（）来查找用户 - 用户相似度。

我的代码如下所示：

import org.apache.spark.mllib.linalg.{Vector, Vectors}
import org.apache.spark.mllib.linalg.distributed.{RowMatrix, 
MatrixEntry, CoordinateMatrix}
import org.apache.spark.rdd.RDD

def rddToCoordinateMatrix(input_rdd: RDD[String]) : CoordinateMatrix = {

    // Convert RDD[String] to RDD[Tuple3]
    val coo_matrix_input: RDD[Tuple3[Long,Long,Double]] = input_rdd.map(
        line => line.split(',').toList
    ).map{
            e => (e(0).toLong, e(1).toLong, e(2).toDouble)
    }

    // Convert RDD[Tuple3] to RDD[MatrixEntry]
    val coo_matrix_matrixEntry: RDD[MatrixEntry] = coo_matrix_input.map(e => MatrixEntry(e._1, e._2, e._3))

    // Convert RDD[MatrixEntry] to CoordinateMatrix
    val coo_matrix: CoordinateMatrix  = new CoordinateMatrix(coo_matrix_matrixEntry)

    return coo_matrix
}

// Read CSV File to RDD[String]
val input_rdd: RDD[String] = sc.textFile("user_item.csv")

// Read RDD[String] to CoordinateMatrix
val coo_matrix = rddToCoordinateMatrix(input_rdd)

// Transpose CoordinateMatrix
val coo_matrix_trans = coo_matrix.transpose()

// Convert CoordinateMatrix to RowMatrix
val mat: RowMatrix = coo_matrix_trans.toRowMatrix()

// Compute similar columns perfectly, with brute force
// Return CoordinateMatrix
val simsPerfect: CoordinateMatrix = mat.columnSimilarities()

// CoordinateMatrix to RDD[MatrixEntry]
val simsPerfect_entries = simsPerfect.entries

simsPerfect_entries.count()

// Write results to file
val results_rdd = simsPerfect_entries.map(line => line.i+","+line.j+","+line.value)

results_rdd.saveAsTextFile("similarity-output")

// Close the REPL terminal
System.exit(0)

并且，当我在 spark-shell 上运行此脚本时在运行代码行simsPerfect_entries.count()之后，我得到了以下错误：

java.lang.OutOfMemoryError: GC overhead limit exceeded

更新

我尝试过其他人已经提供的许多解决方案，但我没有成功。

1通过增加每个执行程序进程使用的内存量spark.executor.memory=1g

2减少用于驱动程序进程的核心数 spark.driver.cores=1

建议我解决此问题的方法。

Answer 1

所有Spark转换都是惰性的，直到您实际实现它为止。当您定义RDD到RDD数据操作时，Spark只是将操作链接在一起，而不是执行实际计算。因此，当您致电simsPerfect_entries.count()时，会执行操作链并获得您的号码。

错误GC overhead limit exceeded表示JVM垃圾收集器活动太高，导致代码执行停止。由于以下原因，GC活动可能很高：

您生成了太多小物件并立即丢弃它们。看起来你不是。
您的数据不适合您的JVM堆。就像你试图将2GB文本文件加载到RAM中一样，但只有1GB的JVM堆。看起来就是你的情况。

要解决此问题，请尝试增加JVM堆的数量：

您的工作节点。
你的火花贝壳应用程序。

Apache Spark

更新

1 个答案: