Question

编辑＃2：这可能与内存有关。日志显示在堆外。

是的，肯定与内存有关。基本上，docker日志会报告所有内容来自java的堆外垃圾，但jupyter web笔记本没有将其传递给用户。相反，用户会遇到内核故障以及偶尔出现的奇怪行为，例如代码无法正确编译。

Spark 1.6，特别是docker run -d .... jupyter/all-spark-notebook

想在一个约100万笔交易的文件中计算帐户。

这很简单，它可以在没有火花的情况下完成但我尝试使用spark scala时遇到了一个奇怪的错误。

输入数据类型为RDD[etherTrans]，其中etherTrans是包含单个事务的自定义类型：时间戳，来自和来自帐户，以及以太币交易的值。

class etherTrans(ts_in:Long, afrom_in:String, ato_in:String, ether_in: Float)
extends Serializable {
    var ts: Long = ts_in
    var afrom: String = afrom_in
    var ato: String = ato_in
    var ether: Float = ether_in
    override def toString():String =  ts.toString+","+afrom+","+ato+","+ether.toString    
}

data:RDD[etherTrans]看起来不错：

data.take(10).foreach(println)

etherTrans(1438918233,0xa1e4380a3b1f749673e270229993ee55f35663b4,0x5df9b87991262f6ba471f09758cde1c0fc1de734,3.1337E-14)
etherTrans(1438918613,0xbd08e0cddec097db7901ea819a3d1fd9de8951a2,0x5c12a8e43faf884521c2454f39560e6c265a68c8,19.9)
etherTrans(1438918630,0x63ac545c991243fa18aec41d4f6f598e555015dc,0xc93f2250589a6563f5359051c1ea25746549f0d8,599.9895)
etherTrans(1438918983,0x037dd056e7fdbd641db5b6bea2a8780a83fae180,0x7e7ec15a5944e978257ddae0008c2f2ece0a6090,100.0)
etherTrans(1438919175,0x3f2f381491797cc5c0d48296c14fd0cd00cdfa2d,0x4bd5f0ee173c81d42765154865ee69361b6ad189,803.9895)
etherTrans(1438919394,0xa1e4380a3b1f749673e270229993ee55f35663b4,0xc9d4035f4a9226d50f79b73aafb5d874a1b6537e,3.1337E-14)
etherTrans(1438919451,0xc8ebccc5f5689fa8659d83713341e5ad19349448,0xc8ebccc5f5689fa8659d83713341e5ad19349448,0.0)
etherTrans(1438919461,0xa1e4380a3b1f749673e270229993ee55f35663b4,0x5df9b87991262f6ba471f09758cde1c0fc1de734,3.1337E-14)
etherTrans(1438919491,0xf0cf0af5bd7d8a3a1cad12a30b097265d49f255d,0xb608771949021d2f2f1c9c5afb980ad8bcda3985,100.0)
etherTrans(1438919571,0x1c68a66138783a63c98cc675a9ec77af4598d35e,0xc8ebccc5f5689fa8659d83713341e5ad19349448,50.0)

下一个函数解析ok并以这种方式编写，因为之前的尝试抱怨Array[String]或List[String]和TraversableOnce[?]之间的类型不匹配：

def arrow(e:etherTrans):TraversableOnce[String] = Array(e.afrom,e.ato)

然后在flatMap中使用此函数来获取所有帐户的RDD [String]失败。

val accts:RDD[String] = data.flatMap(arrow)

Name: Compile Error
Message: :38: error: type mismatch;
 found   : etherTrans(in class $iwC)(in class $iwC)(in class $iwC)(in class $iwC) => TraversableOnce[String]
 required: etherTrans(in class $iwC)(in class $iwC)(in class $iwC)(in class $iwC) => TraversableOnce[String]
         val accts:RDD[String] = data.flatMap(arrow)
                                              ^
StackTrace:

确保向右滚动，看到它抱怨TraversableOnce[String] 与TraversableOnce[String]

不符

这必须是一个相当常见的问题，因为Generate List of Pairs中出现了更明显的类型不匹配，而且I have a Scala List, how can I get a TraversableOnce?中建议没有足够的上下文。

这里发生了什么？

编辑：上面报告的问题没有出现，并且代码在旧版spark-shell中运行正常，Spark 1.3.1在docker容器中独立运行。使用jupyter / all-spark-notebook docker容器在spark 1.6 scala jupyter环境中生成错误。

另外@ zero323说这个玩具的例子：

 val rdd = sc.parallelize(Seq((1L, "foo", "bar", 1))).map{ case (ts, fr, to, et) => new etherTrans(ts, fr, to, et)} 
 rdd.flatMap(arrow).collect

在他的终端spark-shell 1.6.0 / spark 2.10.5以及Scala 2.11.7和Spark 1.5.2也工作。

Answer 1

我认为你应该切换到用例类，它应该可以正常工作。使用“常规”类，在序列化它们时可能会出现奇怪的问题，看起来你需要的只是值对象，所以case类看起来更适合你的用例。

一个例子：

case class EtherTrans(ts: Long, afrom: String, ato: String, ether: Float)

val source = sc.parallelize(Array(
    (1L, "from1", "to1", 1.234F),
    (2L, "from2", "to2", 3.456F)
))

val data = source.as[EtherTrans]

val data = source.map { l => EtherTrans(l._1, l._2, l._3, l._4) }

def arrow(e: EtherTrans) = Array(e.afrom, e.ato)

data.map(arrow).take(5)
/*
res3: Array[Array[String]] = Array(Array(from1, to1), Array(from2, to2))
*/

data.map(arrow).take(5)
// res3: Array[Array[String]] = Array(Array(from1, to1), Array(from2, to2))

如果需要，您可以创建一些方法/对象来生成案例类。如果你真的不需要逻辑的“toString”方法，只是为了“演示”，请将它保持在case类之外：在存储if或者显示之前，你总是可以使用map操作添加它。

此外，如果您使用的是Spark 1.6.0或更高版本，则可以尝试使用DataSet API，这看起来或多或少是这样的：

val data = sqlContext.read.text("your_file").as[EtherTrans]

https://databricks.com/blog/2016/01/04/introducing-spark-datasets.html

发现flatMap编译错误：需要TraversableOnce [String]：TraversableOnce [String]

1 个答案: