fundo
Conforme observado nesta pergunta , estou usando o Scalaz 7 iteratees para processar um grande (ou seja, ilimitado) fluxo de dados em um espaço de heap constante.
Meu código é parecido com este:
type ErrorOrT[M[+_], A] = EitherT[M, Throwable, A]
type ErrorOr[A] = ErrorOrT[IO, A]
def processChunk(c: Chunk, idx: Long): Result
def process(data: EnumeratorT[Chunk, ErrorOr]): IterateeT[Vector[(Chunk, Long)], ErrorOr, Vector[Result]] =
Iteratee.fold[Vector[(Chunk, Long)], ErrorOr, Vector[Result]](Nil) { (rs, vs) =>
rs ++ vs map {
case (c, i) => processChunk(c, i)
}
} &= (data.zipWithIndex mapE Iteratee.group(P))
O problema
Parece que tive um vazamento de memória, mas não estou familiarizado o suficiente com o Scalaz / FP para saber se o bug está no Scalaz ou no meu código. Intuitivamente, espero que este código exija apenas (na ordem de) P vezes o Chunk
espaço -size.
Observação: encontrei uma pergunta semelhante na qual um OutOfMemoryError
foi encontrado, mas meu código não está usando consume
.
Testando
Fiz alguns testes para tentar isolar o problema. Para resumir, o vazamento só parece surgir quando ambos zipWithIndex
e group
são usados.
// no zipping/grouping
scala> (i1 &= enumArrs(1 << 25, 128)).run.unsafePerformIO
res47: Long = 4294967296
// grouping only
scala> (i2 &= (enumArrs(1 << 25, 128) mapE Iteratee.group(4))).run.unsafePerformIO
res49: Long = 4294967296
// zipping and grouping
scala> (i3 &= (enumArrs(1 << 25, 128).zipWithIndex mapE Iteratee.group(4))).run.unsafePerformIO
java.lang.OutOfMemoryError: Java heap space
// zipping only
scala> (i4 &= (enumArrs(1 << 25, 128).zipWithIndex)).run.unsafePerformIO
res51: Long = 4294967296
// no zipping/grouping, larger arrays
scala> (i1 &= enumArrs(1 << 27, 128)).run.unsafePerformIO
res53: Long = 17179869184
// zipping only, larger arrays
scala> (i4 &= (enumArrs(1 << 27, 128).zipWithIndex)).run.unsafePerformIO
res54: Long = 17179869184
Código para os testes:
import scalaz.iteratee._, scalaz.effect.IO, scalaz.std.vector._
// define an enumerator that produces a stream of new, zero-filled arrays
def enumArrs(sz: Int, n: Int) =
Iteratee.enumIterator[Array[Int], IO](
Iterator.continually(Array.fill(sz)(0)).take(n))
// define an iteratee that consumes a stream of arrays
// and computes its length
val i1 = Iteratee.fold[Array[Int], IO, Long](0) {
(c, a) => c + a.length
}
// define an iteratee that consumes a grouped stream of arrays
// and computes its length
val i2 = Iteratee.fold[Vector[Array[Int]], IO, Long](0) {
(c, as) => c + as.map(_.length).sum
}
// define an iteratee that consumes a grouped/zipped stream of arrays
// and computes its length
val i3 = Iteratee.fold[Vector[(Array[Int], Long)], IO, Long](0) {
(c, vs) => c + vs.map(_._1.length).sum
}
// define an iteratee that consumes a zipped stream of arrays
// and computes its length
val i4 = Iteratee.fold[(Array[Int], Long), IO, Long](0) {
(c, v) => c + v._1.length
}
Questões
- O bug está no meu código?
- Como posso fazer isso funcionar em um espaço de heap constante?
-XX:+HeapDumpOnOutOfMemoryError
e analisar o dump com eclipse MAT eclipse.org/mat para ver que linha de código está segurando os arrays.
var
contador conforme você avança.
Long
índice por bloco mudaria o algoritmo de espaço de heap constante para não constante? A versão não compactada claramente usa espaço de heap constante, porque pode "processar" tantos pedaços quanto você estiver disposto a esperar.