大家好，我是 V 哥。在实际的业务场景中，Spark任务出现OOM（Out of Memory） 问题通常是由于任务处理的数据量过大、资源分配不合理或者代码存在性能瓶颈等原因造成的。针对不同的业务场景和原因，可以从以下几个方面进行优化和解决。
一、业务场景及可能的OOM原因分析
数据量过大：
- 业务场景：处理海量数据集（例如，数亿行日志数据或数十TB的数据集），任务执行过程中需要对数据进行大规模的聚合、排序、连接等操作。
- OOM 原因：数据无法完全放入内存，导致溢出，尤其是在
shuffle或join操作时，数据量暴增。
数据倾斜：
- 业务场景：处理的数据分布不均匀（如某个用户或产品的数据量过多），导致部分节点上出现计算或内存瓶颈。
- OOM 原因：由于部分节点需要处理大量的数据，某些节点的任务会使用超出可用内存的资源，而其他节点的负载较轻。
不合理的资源分配：
- 业务场景：资源分配过低，导致单个任务分配到的内存、CPU等资源不足。
- OOM 原因：Executor的内存设置太小，或者数据过度缓存，导致内存不足。
代码中存在缓存过多或内存使用不合理：
- 业务场景：频繁使用
cache()、persist()，或对数据结构进行不必要的操作，导致内存过度消耗。 - OOM 原因：数据缓存没有及时释放，导致内存占用过多。
- 业务场景：频繁使用
二、针对OOM问题的解决方案
1. 调整Executor的内存和CPU资源
通过合理的资源分配，确保每个Executor有足够的内存处理数据。
- 增加Executor的内存：
Spark 中的Executor负责在集群节点上执行任务，默认每个Executor的内存可能不足以处理大数据集。可以增加Executor的内存以缓解OOM问题。
--executor-memory 8G
可以通过--executor-memory选项来设置每个Executor的内存。例如，将内存设置为8GB。如果数据量很大，可以根据情况设置更大的内存。
- 调整堆外内存：
Spark还使用了一部分堆外内存（off-heap memory）。如果涉及大量的堆外内存操作，可以通过以下配置增加堆外内存：
--conf spark.memory.offHeap.enabled=true
--conf spark.memory.offHeap.size=4G
- 调整Executor的CPU核心数：
为每个Executor分配更多的CPU核心，以加快任务的处理速度，防止长时间占用内存。
--executor-cores 4
通过--executor-cores设置每个Executor使用的核心数。例如，可以将核心数设置为4，以提升并发计算能力。
2. 调整内存管理策略
Spark的内存管理策略主要涉及以下几个关键参数，它们的优化配置可以帮助减少OOM问题。
- 调整内存管理比例：
Spark 2.x 及以上版本采用统一的内存管理模型，可以通过调节以下参数优化内存使用：
--conf spark.memory.fraction=0.8
--conf spark.memory.storageFraction=0.5
spark.memory.fraction：该参数控制了存储与执行内存的总占比，默认是0.6，可以适当调高。spark.memory.storageFraction：该参数决定了在memory.fraction的基础上，存储内存的占比。如果需要更多执行内存，可以适当减小该值。
- 减少缓存数据的存储占用：
- 及时清理缓存：对于不再需要的数据，及时调用
unpersist()来清理缓存，释放内存。
- 及时清理缓存：对于不再需要的数据，及时调用
rdd.unpersist()
- 调整缓存级别：在缓存时，使用
StorageLevel.DISK_ONLY或StorageLevel.MEMORY_AND_DISK，以减少内存占用。
rdd.persist(StorageLevel.MEMORY_AND_DISK)
3. 数据切分与优化操作
Spark任务中的shuffle、join、groupBy等操作通常会引起大量内存消耗，以下优化可以减轻这些操作带来的OOM风险。
- 调整分区数：
- 对于大规模数据操作如
join、shuffle等，分区数的设置至关重要。如果分区数过少，可能会导致某些分区数据量过大，进而导致内存溢出。
- 对于大规模数据操作如
rdd.repartition(200)
或者在执行某些操作时，显式指定分区数：
rdd.reduceByKey(_ + _, numPartitions = 200)
- 通常的经验是将分区数量设置为比Executor数量高出数倍（例如，每个核心处理2-4个分区）。
- 避免过多的宽依赖：
宽依赖（如groupByKey）会在shuffle时造成内存的压力，特别是数据量较大时，应该尽量避免。可以通过替换为reduceByKey等具有预聚合功能的操作来减少内存消耗：
rdd.reduceByKey(_ + _)
避免数据倾斜：
如果存在数据倾斜，部分节点处理大量数据，容易导致OOM。以下是常见的解决方法：- 随机键拆分：可以为数据加上随机前缀，以打散数据，避免部分节点数据量过大。
rdd.map(x => ((x._1 + new Random().nextInt(10)), x._2))
- 广播小表：在
join操作中，如果一张表很小，可以使用广播变量，将小表广播到每个节点，减少数据传输和内存占用：
val broadcastVar = sc.broadcast(smallTable)
largeTable.mapPartitions { partition =>
val small = broadcastVar.value
partition.map(largeRow => ...)
}
4. 调整Spark的并行度和Shuffle机制
Spark的shuffle操作（如groupByKey、join）会导致大量数据需要在不同的节点之间传输。如果并行度设置过低，容易导致某个节点处理的数据量过大，从而引发OOM。
- 增加并行度：
--conf spark.sql.shuffle.partitions=200
或者在代码中显式设置：
spark.conf.set("spark.sql.shuffle.partitions", "200")
- 默认情况下，
spark.sql.shuffle.partitions的值可能偏小（例如200），根据数据规模适当调整该值可以减轻单个节点的负载。
- 调整Shuffle合并机制：
Spark 3.0引入了 Adaptive Query Execution (AQE)，可以在执行时动态调整shuffle的分区数，避免某些分区数据量过大：
--conf spark.sql.adaptive.enabled=true
--conf spark.sql.adaptive.shuffle.targetPostShuffleInputSize=64M
AQE 可以根据任务的执行情况自动调整shuffle的分区数，从而避免OOM。
五、小结一下
Spark任务中的OOM问题常常由于数据量过大、数据倾斜、资源分配不合理等问题引起，针对不同的业务场景，可以采取以下措施进行优化：
- 合理分配内存和CPU：增加Executor的内存和CPU核心数，合理配置内存管理参数。
- 调整分区数和优化操作：通过调整分区数、减少宽依赖等方式减少内存占用。
- 处理数据倾斜：通过随机键拆分、广播小表等方法避免数据倾斜。
- 使用缓存优化内存：减少不必要的
cache()和persist()操作，并及时释放缓存数据。
好了，今天的内容就写到这里，这些优化方法结合使用，可以有效解决Spark任务中的OOM问题。关注威哥爱编程，码码通畅不掉发。
