Apache Spark：尝试索引字符串列时出现 StackOverflowError答案

【问题标题】：Apache Spark: StackOverflowError when trying to indexing string columnsApache Spark：尝试索引字符串列时出现 StackOverflowError
【发布时间】：2016-11-07 10:50:54
【问题描述】：

我有大约 5000 行和 950 列的 csv 文件。首先我将它加载到 DataFrame：

val data = sqlContext.read
  .format(csvFormat)
  .option("header", "true")
  .option("inferSchema", "true")
  .load(file)
  .cache()

之后我搜索所有字符串列

val featuresToIndex = data.schema
  .filter(_.dataType == StringType)
  .map(field => field.name)

并且想要索引它们。为此，我为每个字符串列创建索引器

val stringIndexers = featuresToIndex.map(colName =>
  new StringIndexer()
    .setInputCol(colName)
    .setOutputCol(colName + "Indexed"))

并创建管道

val pipeline = new Pipeline().setStages(stringIndexers.toArray)

但是当我尝试使用此管道转换我的初始数据帧时

val indexedDf = pipeline.fit(data).transform(data)

我得到 StackOverflowError

16/07/05 16:55:12 INFO DAGScheduler: Job 4 finished: countByValue at StringIndexer.scala:86, took 7.882774 s
Exception in thread "main" java.lang.StackOverflowError
at scala.collection.immutable.Set$Set1.contains(Set.scala:84)
at scala.collection.immutable.Set$Set1.$plus(Set.scala:86)
at scala.collection.immutable.Set$Set1.$plus(Set.scala:81)
at scala.collection.mutable.SetBuilder.$plus$eq(SetBuilder.scala:22)
at scala.collection.mutable.SetBuilder.$plus$eq(SetBuilder.scala:20)
at scala.collection.generic.Growable$class.loop$1(Growable.scala:53)
at scala.collection.generic.Growable$class.$plus$plus$eq(Growable.scala:57)
at scala.collection.mutable.SetBuilder.$plus$plus$eq(SetBuilder.scala:20)
at scala.collection.TraversableLike$class.to(TraversableLike.scala:590)
at scala.collection.AbstractTraversable.to(Traversable.scala:104)
at scala.collection.TraversableOnce$class.toSet(TraversableOnce.scala:304)
at scala.collection.AbstractTraversable.toSet(Traversable.scala:104)
at org.apache.spark.sql.catalyst.trees.TreeNode.containsChild$lzycompute(TreeNode.scala:86)
at org.apache.spark.sql.catalyst.trees.TreeNode.containsChild(TreeNode.scala:86)
at org.apache.spark.sql.catalyst.trees.TreeNode$$anonfun$4.apply(TreeNode.scala:280)
at scala.collection.Iterator$$anon$11.next(Iterator.scala:409)
...

我做错了什么？谢谢。

【问题讨论】：

能否提供完整的异常跟踪？
你使用的是哪个版本的JDK？
我试过 jdk 1.8.0_60 和 1.8.0_101。这里完整跟踪pastebin.com/g9MsNtDp

标签： java scala apache-spark apache-spark-mllib

【解决方案1】：

似乎我找到了一种解决方案 - 使用 spark 2.0。以前，我使用的是 1.6.2 - 它是发布时的最新版本。我尝试使用2.0的预览版，但也有问题重现。

【讨论】：

【解决方案2】：

很可能没有足够的内存来保存所有堆栈帧。我在训练 RandomForestModel 时遇到了类似的情况。对我有用的解决方法是使用附加参数运行我的驱动程序应用程序（即 Web 服务）：

-XX:ThreadStackSize=81920 -Dspark.executor.extraJavaOptions='-XX:ThreadStackSize=81920'

【讨论】：

我实际上面临着同样的问题，我怎样才能找到默认的堆栈大小？此外，我看到它增加了执行程序的堆栈大小，而不是驱动程序，对吗？
@h.z.这对双方都有利，因为双方都在共同努力。 ThreadStackSize 用于驱动程序。 for executors 来自 executor.extraJavaOptions。我不确定是否可以测量尺寸，我只是增加了我的尺寸，直到它开始工作。我假设对于更大的数据集它仍然会失败。
@evgenii 我们在 jupyter notebook 的哪里添加这些参数？ :) 在火花初始化或其他地方？

【解决方案3】：

Java 中的 StackOverflowError 当 Java 应用程序调用函数调用时，会在调用堆栈上分配一个堆栈帧。堆栈帧包含被调用方法的参数、其本地参数和方法的返回地址。返回地址表示被调用方法返回后程序继续执行的执行点。如果没有空间用于新的堆栈帧，则 Java 虚拟机 (JVM) 会抛出 StackOverflowError。可能耗尽 Java 应用程序堆栈的最常见情况是递归。在递归中，方法在执行期间调用自身。递归被认为是一种强大的通用编程技术，但必须谨慎使用，以避免 StackOverflowError。

可能的解决方案是 1.默认情况下，Spark 只使用内存 RDD 序列化。尝试使用持久化磁盘选项

2. 尝试增加驱动程序的 JVM 堆栈大小，在驱动程序选项中添加 -Xss5m 之类的内容。当您检查 data.schema 中的列类型时，可能会发生一些递归

--driver-java-options "-Xss 100M"

如果可能，共享文件并完成异常跟踪。

【讨论】：