纱线模式下的Spark RDD映射不允许访问变量？

Question

我在 mapr 集群上安装了全新的 spark 1.2.1，在对其进行测试时，我发现它在本地模式下运行良好，但在纱线模式下，它似乎无法访问变量，如果广播也无法访问。准确来说，如下测试代码

import org.apache.spark.SparkContext
import org.apache.spark.SparkContext._
import org.apache.spark.SparkConf

object JustSpark extends App {
val conf = new org.apache.spark.SparkConf().setAppName("SimpleApplication")
val sc = new SparkContext(conf)
val a = List(1,3,4,5,6)
val b = List("a","b","c")
val bBC= sc.broadcast(b)
val data = sc.parallelize(a)
val transform = data map ( t => { "hi" })
transform.take(3) foreach (println _)
val transformx2 = data map ( t => { bBC.value.size })
transformx2.take(3) foreach (println _)
//val transform2 = data map ( t => { b.size })
//transform2.take(3) foreach (println _)
}

在本地模式下工作，但在纱线中失败。更准确地说，transform2 和transformx2 这两种方法都失败了，如果--master local[8]，它们都可以工作。

我正在用sbt编译它并用提交工具发送

/opt/mapr/spark/spark-1.2.1/bin/spark-submit --class JustSpark --master yarn target/scala-2.10/simulator_2.10-1.0.jar

知道发生了什么吗？失败消息只是声称在它应该访问变量的地方有一个 java 空指针异常。是否有其他方法可以在 RDD 映射中传递变量？

Answer 1

我会做出一个很好的猜测：这是因为您使用的是App。有关详细信息，请参阅https://issues.apache.org/jira/browse/SPARK-4170。改为写一个main() 方法。

Answer 2

我认为罪魁祸首是

val transform2 = data map ( t => { b.size })

尤其是访问局部变量 b 。您实际上可能会在日志文件中看到 java.io.NotSerializableException。

应该发生什么：Spark 将尝试序列化任何引用的对象。这意味着在这种情况下 整个 JustSpark 类 - 因为它的成员之一被引用。

为什么会失败？ 您的类不可序列化。因此 Spark 无法通过网络发送它。特别是您引用了 SparkContext - 它不扩展 Serializable

class SparkContext(config: SparkConf) extends Logging with ExecutorAllocationClient {

所以 - 你的第一个代码 - 确实 只广播变量值 - 是正确的方法。

Answer 3

这是广播的原始示例，来自 spark 源，更改为使用列表而不是数组：

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
object MultiBroadcastTest {
def main(args: Array[String]) {
val sparkConf = new SparkConf().setAppName("Multi-Broadcast Test")
val sc = new SparkContext(sparkConf)
val slices = if (args.length > 0) args(0).toInt else 2
val num = if (args.length > 1) args(1).toInt else 1000000
val arr1 = (1 to num).toList
val arr2 = (1 to num).toList
val barr1 = sc.broadcast(arr1)
val barr2 = sc.broadcast(arr2)
val observedSizes: RDD[(Int, Int)] = sc.parallelize(1 to 10, slices).map { _ =>
  (barr1.value.size, barr2.value.size)
}
observedSizes.collect().foreach(i => println(i))
sc.stop()
}}

我在我的环境中编译它并且它可以工作。

那么有什么区别呢？

有问题的示例使用extends App，而原始示例是一个普通的单例。

所以我将代码降级为“doIt()”函数

object JustDoSpark extends App{
def doIt() {
...
}
doIt()

你猜怎么着。它奏效了。

问题确实与序列化有关，但方式不同。将代码放在对象的主体中似乎会导致问题。