SparkR org.apache.spark.SparkException: r员工意外退出

Question

我正在尝试执行一个SparkR gapply，本质上，当我试图使用我的输入文件仅限于300 K行运行时，它可以工作，但是扩展到120万行时，我会在许多执行器任务中得到以下stderr中的重复异常--大约70%的任务完成，而其他任务则失败或终止。失败的输出具有相同的错误输出：

org.apache.spark.SparkException: R worker exited unexpectedly (cranshed)
    at org.apache.spark.api.r.RRunner.org$apache$spark$api$r$RRunner$$read(RRunner.scala:240)
    at org.apache.spark.api.r.RRunner$$anon$1.next(RRunner.scala:91)
    at scala.collection.Iterator$$anon$11.next(Iterator.scala:409)
    at scala.collection.Iterator$$anon$11.next(Iterator.scala:409)
    at org.apache.spark.sql.catalyst.expressions.GeneratedClass$GeneratedIterator.agg_doAggregateWithKeys$(Unknown Source)
    at org.apache.spark.sql.catalyst.expressions.GeneratedClass$GeneratedIterator.processNext(Unknown Source)
    at org.apache.spark.sql.execution.BufferedRowIterator.hasNext(BufferedRowIterator.java:43)
    at org.apache.spark.sql.execution.WholeStageCodegenExec$$anonfun$8$$anon$1.hasNext(WholeStageCodegenExec.scala:395)
    at scala.collection.Iterator$$anon$11.hasNext(Iterator.scala:408)
    at org.apache.spark.shuffle.sort.BypassMergeSortShuffleWriter.write(BypassMergeSortShuffleWriter.java:125)
    at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:96)
    at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:53)
    at org.apache.spark.scheduler.Task.run(Task.scala:108)
    at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:346)
    at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1149)
    at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:624)
    at java.lang.Thread.run(Thread.java:748)
Caused by: java.io.EOFException
    at java.io.DataInputStream.readInt(DataInputStream.java:392)
    at org.apache.spark.api.r.RRunner.org$apache$spark$api$r$RRunner$$read(RRunner.scala:212)
    ... 16 more

除了分配更多内存之外，还有哪些调优参数需要考虑？我相信SparkR不像PySpark或Scala那样被广泛使用，有时它们的调优参数可能会有所不同，所以这里的任何帮助都会受到极大的赞赏。

这是在Databricks/AWS集群上运行的--20个工作节点，30.5GB内存，每个核心4个。

在我们的用例中，gapply函数在最大的10行数据中运行，在最大20列处将其拆分为4R数据，然后使用R包NlcOptim,quadprog将其输入到线性优化求解器中。

Answer 1

使用.cache()并再次尝试解决这个问题。