SPARK 1.6.1：在 DataFrame 上评估分类器时任务不可序列化

Question

我有一个DataFrame，我把它映射成一个()的RDD来测试一个SVMModel。

我正在使用 Zeppelin 和 Spark 1.6.1

这是我的代码：

val loadedSVMModel = SVMModel.load(sc, pathToSvmModel)

// Clear the default threshold.
loadedSVMModel.clearThreshold()

// Compute raw scores on the test set.
val scoreAndLabels = df.select($"features", $"label")
                       .map { case Row(features:Vector, label: Double) =>
                                val score = loadedSVMModel.predict(features)
                                (score,label)
                            }

// Get evaluation metrics.
val metrics = new BinaryClassificationMetrics(scoreAndLabels)
val auROC = metrics.areaUnderROC()

println("Area under ROC = " + auROC)

执行代码时，我有一个 org.apache.spark.SparkException: Task not serializable;，我很难理解为什么会发生这种情况以及如何解决它。

是不是我用的Zeppelin导致的？
是不是因为原来的DataFrame？

我已经执行了Spark编程指南中的SVM example，并且完美运行。所以原因应该与以上几点之一有关……我猜。

这里是异常堆栈的一些相关元素：

Caused by: java.io.NotSerializableException: org.apache.spark.sql.Column
Serialization stack:
    - object not serializable (class: org.apache.spark.sql.Column, value: (sum(CASE WHEN (domainIndex = 0) THEN sumOfScores ELSE 0),mode=Complete,isDistinct=false) AS 0#100278)
    - element of array (index: 0)
    - array (class [Lorg.apache.spark.sql.Column;, size 372)

我没有 post 完整的异常堆栈，因为 Zeppelin 往往会显示很长的不相关文本。如果您希望我通过完整的异常，请告诉我。

附加信息

特征向量是使用 VectorAssembler() 生成的，如下所示

// Prepare vector assemble
val vecAssembler =  new VectorAssembler()
                               .setInputCols(arrayOfIndices)
                               .setOutputCol("features")


// Aggregation expressions
val exprs = arrayOfIndices
                .map(c => sum(when($"domainIndex" === c, $"sumOfScores")
                .otherwise(lit(0))).alias(c))

val df = vecAssembler
           .transform(anotherDF.groupBy($"userID", $"val")
           .agg(exprs.head, exprs.tail: _*))
           .select($"userID", $"features", $"val")
           .withColumn("label", sqlCreateLabelValue($"val"))
           .drop($"val").drop($"userID")

Answer 1

问题的根源实际上与您使用的 DataFrame 无关，甚至直接与 Zeppelin 无关。这更多的是代码组织问题以及同一范围内不可序列化对象的存在。

由于您使用交互式会话，所有对象都在同一范围内定义并成为闭包的一部分。它包括 exprs，看起来像 Seq[Column]，其中 Column 不可序列化。

在 SQL 表达式上操作时没有问题，因为 exprs 仅在本地使用，但当您下拉到 RDD 操作时就会出现问题。 exprs 作为闭包的一部分包含在内并导致表达式。重现此行为的最简单方法（ColumnName 是 Column 的子类之一）是这样的：

Welcome to
      ____              __
     / __/__  ___ _____/ /__
    _\ \/ _ \/ _ `/ __/  '_/
   /___/ .__/\_,_/_/ /_/\_\   version 2.0.0-SNAPSHOT
      /_/

Using Scala version 2.11.8 (OpenJDK 64-Bit Server VM, Java 1.8.0_91)
Type in expressions to have them evaluated.
Type :help for more information.

scala> val df = Seq(1, 2, 3).toDF("x")
df: org.apache.spark.sql.DataFrame = [x: int]

scala> val x = $"x"
x: org.apache.spark.sql.ColumnName = x

scala> def f(x: Any) = 0
f: (x: Any)Int

scala> df.select(x).rdd.map(f _)
org.apache.spark.SparkException: Task not serializable
...
Caused by: java.io.NotSerializableException: org.apache.spark.sql.ColumnName
Serialization stack:
    - object not serializable (class: org.apache.spark.sql.ColumnName, value: x)
...

您可以尝试解决此问题的一种方法是将 exprs 标记为瞬态：

@transient val exprs: Seq[Column] = ???

在我们的最小示例中也能正常工作：

scala> @transient val x = $"x"
x: org.apache.spark.sql.ColumnName = x

scala> df.select(x).rdd.map(f _)
res1: org.apache.spark.rdd.RDD[Int] = MapPartitionsRDD[8] at map at <console>:30

SPARK 1.6.1：在 DataFrame 上评估分类器时任务不可序列化

SPARK 1.6.1: Task not serializable when evaluating a classifier on a DataFrame

scala

apache-spark

apache-zeppelin