Question

我使用Spark 2.2.1和Scala 2.11使用DataBricks。我正在尝试运行如下所示的SQL查询。

select stddev(col1), stddev(col2), ..., stddev(col1300)
from mydb.mytable

然后我按如下方式执行代码。

myRdd = sqlContext.sql(sql)

但是，我看到抛出以下异常。

Job aborted due to stage failure: Task 24 in stage 16.0 failed 4 times, most recent failure: Lost task 24.3 in stage 16.0 (TID 1946, 10.184.163.105, executor 3): org.codehaus.janino.JaninoRuntimeException: failed to compile: org.codehaus.janino.JaninoRuntimeException: Constant pool for class org.apache.spark.sql.catalyst.expressions.GeneratedClass$SpecificMutableProjection has grown past JVM limit of 0xFFFF
/* 001 */ public java.lang.Object generate(Object[] references) {
/* 002 */   return new SpecificMutableProjection(references);
/* 003 */ }
/* 004 */
/* 005 */ class SpecificMutableProjection extends org.apache.spark.sql.catalyst.expressions.codegen.BaseMutableProjection {
/* 006 */
/* 007 */   private Object[] references;
/* 008 */   private InternalRow mutableRow;
/* 009 */   private boolean evalExprIsNull;
/* 010 */   private boolean evalExprValue;
/* 011 */   private boolean evalExpr1IsNull;
/* 012 */   private boolean evalExpr1Value;
/* 013 */   private boolean evalExpr2IsNull;
/* 014 */   private boolean evalExpr2Value;
/* 015 */   private boolean evalExpr3IsNull;
/* 016 */   private boolean evalExpr3Value;
/* 017 */   private boolean evalExpr4IsNull;
/* 018 */   private boolean evalExpr4Value;
/* 019 */   private boolean evalExpr5IsNull;
/* 020 */   private boolean evalExpr5Value;
/* 021 */   private boolean evalExpr6IsNull;

堆栈跟踪一直在继续，甚至Databricks笔记本也因为冗长而崩溃。有人见过这个吗？

另外，我有以下2个SQL语句来获取我执行的平均值和中位数而没有任何问题。

select avg(col1), ..., avg(col1300) from mydb.mytable
select percentile_approx(col1, 0.5), ..., percentile_approx(col1300, 0.5) from mydb.mytable

问题似乎是stddev，但例外没有帮助。关于发生了什么的任何想法？是否有另一种方法可以轻松计算标准偏差，从而不会导致这个问题？

事实证明，post描述了同样的问题，因为64KB大小的类的限制，Spark无法处理宽模式或大量列。但是，如果是这种情况，那么为什么avg和percentile_approx有效？

Answer 1

一些选择：

尝试禁用整个阶段代码生成：

spark.conf.set("spark.sql.codegen.wholeStage", false)

如果以上内容无法切换到RDD（this answer从zeo323采用）：

import org.apache.spark.mllib.linalg._
import org.apache.spark.mllib.stat.MultivariateOnlineSummarizer

val columns: Seq[String] = ???

df
  .select(columns map (col(_).cast("double")): _*)
  .rdd
  .map(row => Vectors.dense(columns.map(row.getAs[Double](_)).toArray))
  .aggregate(new MultivariateOnlineSummarizer)(
     (agg, v) => agg.add(v), 
     (agg1, agg2) => agg1.merge(agg2))

使用VectorAssembler将列组合到单个向量中并使用Aggregator，类似于使用here的列，调整finish方法（您可能需要一些额外调整以将ml.linalg.Vectors转换为mllib.linalg.Vectors）。

但是，如果是这样的话，为什么avg和percentile_approx有效呢？

Spark从字面上为这些阶段生成Java代码。由于逻辑不相同，因此输出大小会有所不同。

调用超过1,000列的stddev时，SparkSQL作业失败

1 个答案: