为什么这个 PySpark 加入失败？

Question

我误解了以下示例中 PySpark 的性能。

我有几个 DataFrame，因此我加入了它们。

print"users_data"
print users_data.show()
print"calc"
print calc.show()
print"users_cat_data"
print users_cat_data.show()

data1 = calc.join(users_data, ['category_pk','item_pk'], 'leftouter')
print "DATA1"
print data1.show()
data2 = data1.join(users_cat_data, ['category_pk'], 'leftouter')
print "DATA2"
print data2.show()
data3 = data2.join(category_data, ['category_pk'], 'leftouter')
print "DATA3"
print data3.show()
data4 = data3.join(clicks_data, ['category_pk','item_pk'], 'leftouter')
print "DATA4"
print data4.show()

data4.write.parquet(output + '/test.parquet', mode="overwrite")

我希望leftouter 加入将返回左侧 DataFrame 以及来自右侧 DataFrame 的匹配项（如果有）。

Soma 样本输出：

users_data
+--------------+----------+-------------------------+
|   category_pk|   item_pk|             unique_users|
+--------------+----------+-------------------------+
|           321|       460|                        1|
|           730|       740|                        2|
|           140|       720|                       10|


users_cat_data
+--------------+-----------------------+
|   category_pk|   unique_users_per_cat|
+--------------+-----------------------+
|           111|                    258|
|           100|                    260|
|           750|                      9|

但是，我观察到了不同的行为。我使用show() 打印出我在加入操作中使用的所有DataFrame 的前5 行。所有 DataFrame 都包含数据。但我收到以下错误：

None
DATA1
Traceback (most recent call last):
  File "mytest.py", line 884, in <module>
    args.field1, args.field2, args.field3)
  File "mytest.py", line 802, in calc
    print data1.show()
  File "/mnt/yarn/usercache/hdfs/appcache/application_1512391881474_5650/container_1512391881474_5650_01_000001/pyspark.zip/pyspark/sql/dataframe.py", line 336, in show
  File "/mnt/yarn/usercache/hdfs/appcache/application_1512391881474_5650/container_1512391881474_5650_01_000001/py4j-0.10.4-src.zip/py4j/java_gateway.py", line 1133, in __call__
  File "/mnt/yarn/usercache/hdfs/appcache/application_1512391881474_5650/container_1512391881474_5650_01_000001/pyspark.zip/pyspark/sql/utils.py", line 63, in deco
  File "/mnt/yarn/usercache/hdfs/appcache/application_1512391881474_5650/container_1512391881474_5650_01_000001/py4j-0.10.4-src.zip/py4j/protocol.py", line 319, in get_return_value
py4j.protocol.Py4JJavaError: An error occurred while calling o802.showString.
: org.apache.spark.SparkException: Exception thrown in awaitResult:
        at org.apache.spark.util.ThreadUtils$.awaitResult(ThreadUtils.scala:205)
        at org.apache.spark.sql.execution.exchange.BroadcastExchangeExec.doExecuteBroadcast(BroadcastExchangeExec.scala:123)
        at org.apache.spark.sql.execution.InputAdapter.doExecuteBroadcast(WholeStageCodegenExec.scala:248)
        at org.apache.spark.sql.execution.SparkPlan$$anonfun$executeBroadcast$1.apply(SparkPlan.scala:127)
        at org.apache.spark.sql.execution.SparkPlan$$anonfun$executeBroadcast$1.apply(SparkPlan.scala:127)
        at org.apache.spark.sql.execution.SparkPlan$$anonfun$executeQuery$1.apply(SparkPlan.scala:138)
    at org.apache.spark.sql.Dataset$$anonfun$55.apply(Dataset.scala:2837)
    at org.apache.spark.sql.execution.SQLExecution$.withNewExecutionId(SQLExecution.scala:65)
    at org.apache.spark.sql.Dataset.withAction(Dataset.scala:2836)
    at org.apache.spark.sql.Dataset.head(Dataset.scala:2153)
    at org.apache.spark.sql.Dataset.take(Dataset.scala:2366)
    at org.apache.spark.sql.Dataset.showString(Dataset.scala:245)
    at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
    at 

Caused by: org.apache.spark.SparkException: Task not serializable
        at org.apache.spark.util.ClosureCleaner$.ensureSerializable(ClosureCleaner.scala:298)
        at org.apache.spark.util.ClosureCleaner$.org$apache$spark$util$ClosureCleaner$$clean(ClosureCleaner.scala:288)
        at org.apache.spark.util.ClosureCleaner$.clean(ClosureCleaner.scala:108)
        at org.apache.spark.SparkContext.clean(SparkContext.scala:2287)
        at org.apache.spark.rdd.RDD$$anonfun$mapPartitions$1.apply(RDD.scala:794)
        at org.apache.spark.rdd.RDD$$anonfun$mapPartitions$1.apply(RDD.scala:793)
        at org.apache.spark.rdd.RDDOperationScope$.withScope(RDDOperationScope.scala:151)
        at org.apache.spark.rdd.RDDOperationScope$.withScope(RDDOperationScope.scala:112)
        at org.apache.spark.rdd.RDD.withScope(RDD.scala:362)
        at org.apache.spark.rdd.RDD.mapPartitions(RDD.scala:793)

我不明白为什么在print data1.show() 行出现任务序列化错误。用于创建ata1 的DataFrame 不为空。另外，show()在这行代码上面2行成功使用。

有时它会在最后一行 data4.write.parquet(output + '/test.parquet', mode="overwrite") 失败，当我删除它时，它运行良好。但现在它甚至更早地在data1.show() 行上失败了。

如何解决这个问题。任何帮助将不胜感激。

Answer 1

我认为最上面的org.apache.spark.SparkException: Exception thrown in awaitResult 的原因是，在请求BroadcastExchangeExec 物理运算符广播关系（又名表）时，它只是超时了（在默认的 5 分钟等待完成后）。

这就是异常含义的底层背景。

现在，您可能会问自己，为什么会发生这种情况？

将spark.sql.broadcastTimeout 设置为-1 以完全禁用超时（这将导致线程无限期地等待广播完成）或将其增加到10 分钟左右。

您还可以通过将spark.sql.autoBroadcastJoinThreshold 设置为-1 来禁用广播表格。

但是，这只会解决您的环境中发生的更严重的问题。

我的猜测是您的 YARN 集群（由 /mnt/yarn/usercache/hdfs/appcache/application_1512391881474_5650/container_1512391881474_5650_01_000001 猜测）资源紧张，网络也可能很慢。

总而言之，我的猜测是您查询中的某些表低于默认的 10MB，这导致 Spark SQL 优化器选择广播（而不是通过执行器分发数据集的其他方式）。 p>

我认为集群中发生了一些更严重的事情，您面临一些临时问题，直到......管理员修复了 YARN 集群。当您提交 PySpark 应用程序时，集群是否会承受更多负载？

我不明白为什么会出现任务序列化错误

我认为您可以简单地将其视为早期问题的副作用，因为 PySpark 如何通过套接字通信的两个进程（即 Python 和 JVM）在幕后工作。