运行Mapreduce作业出现Java heap space解决方案

在一次吃饭间隙听到身边的朋友说到：“为什么我的mapreduce作业总是运行到某个阶段就报出如下错误，然后失败呢？以前同一个作业没出现过的呀？”

19/01/10 12:48:01 INFO mapred.JobClient: Task Id : attempt_201001061331_0002_m_000027_0, Status : FAILED
java.lang.OutOfMemoryError: Java heap space
        at org.apache.hadoop.mapred.MapTask$MapOutputBuffer.<init>(MapTask.java:498)
        at org.apache.hadoop.mapred.MapTask.run(MapTask.java:305)
        at org.apache.hadoop.mapred.Child.main(Child.java:158)

报错日志已经给出了，就是 Out Of Memory OOM的问题。

其实这样的错误有时候并不是程序逻辑的问题（当然也有可能是由于程序写的不够高效，产生的内存消耗不合理而导致），而是由于同样的作业，在数据量和数据本身发生在不同时刻就会占据不同数量的内存空间。

由于hadoop的mapreduce作业的运行机制是：在jobtracker接到客户端来的job提交后，将许多的task分配到集群中各个tasktracker上进行分块的计算，而根据代码中的逻辑可以看出，其实是在tasktracker上启了一个java进程进行运算，进程中有特定的端口和网络机制来保持 map 和 reduce 之间的数据传输，所以，这些OOM的错误，其实就是这些java进程中报出了OOM的错误。

知道了原因以后就好办了，hadoop的mapreduce作业启动的时候，都会读取jobConf中的配置（hadoop-site.xml），只要在该配置文件中将每个task的 jvm 进程中的 -Xmx 所配置的java进程的 max heap size 加大，就能解决这样的问题：

<property>
  <name>mapred.child.java.opts</name>
  <value>-Xmx1024m</value>
</property>

PS：该选项默认是200M

新版本应该是在conf/hadoop-env.sh文件中修改。默认为1000M