PySpark：java.lang.OutofMemoryError：Java 堆空间
我最近在具有 24 个 CPU 和 32GB RAM 的服务器上使用了 PySpark 和 Ipython。它只在一台机器上运行。在我的过程中，我想收集大量数据，如下面的代码所示：
train_dataRDD = (train.map(lambda x:getTagsAndText(x))
.filter(lambda x:x[-1]!=[])
.flatMap(lambda (x,text,tags): [(tag,(x,text)) for tag in tags])
.groupByKey()
.mapValues(list))
当我做
training_data = train_dataRDD.collectAsMap()
它给了我 outOfMemory 错误。 Java heap Space。此外，在此错误之后，我无法在 Spark 上执行任何操作，因为它与 Java 失去了连接。它给出 Py4JNetworkError: Cannot connect to the java server。
看起来堆空间很小。如何将其设置为更大的限制？
编辑：
我在运行前尝试过的事情：sc._conf.set('spark.executor.memory','32g').set('spark.driver.memory','32g').set('spark.driver.maxResultsSize','0')
我根据此处的文档更改了 spark 选项（如果您执行 ctrl-f 并搜索 spark.executor.extraJavaOptions）：http://spark.apache.org/docs/1.2.1/configuration.html
它说我可以通过设置 spark.executor.memory 选项来避免 OOM。我做了同样的事情，但它似乎不起作用。
在尝试了很多配置参数后，我发现只需要更改一个即可启用更多的堆空间，即spark.driver.memory。
sudo vim $SPARK_HOME/conf/spark-defaults.conf
#uncomment the spark.driver.memory and change it according to your use. I changed it to below
spark.driver.memory 15g
# press : and then wq! to exit vim editor
关闭现有的 spark 应用程序并重新运行它。您不会再遇到此错误。 :)
如果您正在寻找从脚本或 jupyter 笔记本中设置它的方法，您可以执行以下操作：
from pyspark.sql import SparkSession
spark = SparkSession.builder \
.master('local[*]') \
.config("spark.driver.memory", "15g") \
.appName('my-cool-app') \
.getOrCreate()
我在使用 pyspark（与 brew 一起安装）时遇到了同样的问题。在我的例子中，它安装在路径 /usr/local/Cellar/apache-spark 上。
我拥有的唯一配置文件在 apache-spark/2.4.0/libexec/python//test_coverage/conf/spark-defaults.conf 中。
正如建议的 here，我在路径 /usr/local/Cellar/apache-spark/2.4.0/libexec/conf/spark-defaults.conf 中创建了文件 spark-defaults.conf，并将行 spark.driver.memory 12g 附加到它上面。
set('spark.driver.memory','15g')）更改此 conf 值吗？-Xmx4096M -d64添加到在 SBT 控制台启动时传递的 java VM 参数。这是在Other settings->SBT。