Question

我正在尝试实施Uber的Petastorm数据集创建，该数据集将根据他们的Github page上的教程利用Spark创建一个镶木地板文件。

代码：

spark = SparkSession.builder.config('spark.driver.memory', '10g').master('local[4]').getOrCreate()
sc = spark.sparkContext

with materialize_dataset(spark=spark, dataset_url='file:///opt/data/hello_world_dataset',
                         schema=MySchema, row_group_size_mb=256):

    logging.info('Building RDD...')
    rows_rdd = sc.parallelize(ids)\
        .map(row_generator)\  # Generator that yields lists of examples
        .flatMap(lambda x: dict_to_spark_row(MySchema, x))

    logging.info('Creating DataFrame...')
    spark.createDataFrame(rows_rdd, MySchema.as_spark_schema()) \
        .coalesce(10) \
        .write \
        .mode('overwrite') \
        .parquet('file:///opt/data/hello_world_dataset')

现在，RDD代码可以成功执行，但是只有.createDataFrame调用失败，并出现以下错误：

_pickle.PicklingError：无法序列化广播：OverflowError：无法序列化大于4GiB的字符串

这是我第一次使用Spark，因此我无法真正分辨出此错误是否源于Spark或Petastorm。

仔细研究此错误的其他解决方案（相对于Spark，不是Petastorm），我发现它可能与酸洗协议有关，但我无法确认，也没有找到改变酸洗的方法协议。

如何避免此错误？

Answer 1

构建bluesummers答案

The master branch of spark right now fixes这个问题，所以我以相同的方式使用此代码修补转储功能，但更加安全。 [使用2.3.2测试]

from pyspark import broadcast
from pyspark.cloudpickle import print_exec
import pickle

def broadcast_dump(self, value, f):
    try:
        pickle.dump(value, f, pickle.HIGHEST_PROTOCOL) 
    except pickle.PickleError:
        raise
    except Exception as e:
        msg = "Could not serialize broadcast: %s: %s" \
                % (e.__class__.__name__, _exception_message(e))
        print_exec(sys.stderr)
        raise pickle.PicklingError(msg)
    f.close()

broadcast.Broadcast.dump = broadcast_dump

Answer 2

问题在于执行在不同进程之间传递数据的酸洗，默认酸洗协议是2，我们需要使用4来传递大于4GB的对象。

要更改酸洗协议，请在创建Spark会话之前，使用以下代码

from pyspark import broadcast
import pickle


def broadcast_dump(self, value, f):
    pickle.dump(value, f, 4)  # was 2, 4 is first protocol supporting >4GB
    f.close()

    return f.name


broadcast.Broadcast.dump = broadcast_dump

Answer 3

我到处乱逛浪费了一天，您的回答又使我节省了一天

通过Spark创建镶木地板Petastorm数据集失败并出现溢出错误（大于4GB）

3 个答案: