Apache Spark：尝试索引字符串列时出现 StackOverflowError

Question

我有大约 5000 行和 950 列的 csv 文件。首先我将它加载到 DataFrame:

val data = sqlContext.read
  .format(csvFormat)
  .option("header", "true")
  .option("inferSchema", "true")
  .load(file)
  .cache()

之后我搜索所有字符串列

val featuresToIndex = data.schema
  .filter(_.dataType == StringType)
  .map(field => field.name)

并希望将它们编入索引。为此，我为每个字符串列创建索引器

val stringIndexers = featuresToIndex.map(colName =>
  new StringIndexer()
    .setInputCol(colName)
    .setOutputCol(colName + "Indexed"))

并创建管道

val pipeline = new Pipeline().setStages(stringIndexers.toArray)

但是当我尝试使用此管道转换我的初始数据帧时

val indexedDf = pipeline.fit(data).transform(data)

我收到 WhosebugError

16/07/05 16:55:12 INFO DAGScheduler: Job 4 finished: countByValue at StringIndexer.scala:86, took 7.882774 s
Exception in thread "main" java.lang.WhosebugError
at scala.collection.immutable.Set$Set1.contains(Set.scala:84)
at scala.collection.immutable.Set$Set1.$plus(Set.scala:86)
at scala.collection.immutable.Set$Set1.$plus(Set.scala:81)
at scala.collection.mutable.SetBuilder.$plus$eq(SetBuilder.scala:22)
at scala.collection.mutable.SetBuilder.$plus$eq(SetBuilder.scala:20)
at scala.collection.generic.Growable$class.loop(Growable.scala:53)
at scala.collection.generic.Growable$class.$plus$plus$eq(Growable.scala:57)
at scala.collection.mutable.SetBuilder.$plus$plus$eq(SetBuilder.scala:20)
at scala.collection.TraversableLike$class.to(TraversableLike.scala:590)
at scala.collection.AbstractTraversable.to(Traversable.scala:104)
at scala.collection.TraversableOnce$class.toSet(TraversableOnce.scala:304)
at scala.collection.AbstractTraversable.toSet(Traversable.scala:104)
at org.apache.spark.sql.catalyst.trees.TreeNode.containsChild$lzycompute(TreeNode.scala:86)
at org.apache.spark.sql.catalyst.trees.TreeNode.containsChild(TreeNode.scala:86)
at org.apache.spark.sql.catalyst.trees.TreeNode$$anonfun.apply(TreeNode.scala:280)
at scala.collection.Iterator$$anon.next(Iterator.scala:409)
...

我做错了什么？谢谢。

Answer 1

Java 中的 WhosebugError 当 Java 应用程序调用函数调用时，会在调用堆栈上分配一个堆栈帧。堆栈帧包含被调用方法的参数、它的局部参数和方法的return地址。 return 地址表示执行点，在调用的方法 returns 之后程序将继续执行。如果没有 space 新堆栈帧，则 Java 虚拟机 (JVM) 会抛出 WhosebugError。可能耗尽 Java 应用程序堆栈的最常见情况是递归。在递归中，方法在执行期间调用自身。递归被认为是一种强大的通用编程技术，但必须谨慎使用，以避免 WhosebugError。

可能的解决方法是 1.By 默认情况下，Spark 仅使用内存 RDD 序列化。尝试使用磁盘持久化选项

2.to 尝试增加驱动程序的 JVM 堆栈大小，在驱动程序选项中添加类似 -Xss5m 的内容。当您检查 data.schema

中的列类型时，可能会发生一些递归

--驱动-java-选项“-Xss 100M”

如果可能，共享文件并完成异常跟踪。

Answer 2

很可能只是没有足够的内存来保存所有堆栈帧。我在训练 RandomForestModel 时遇到了类似的事情。对我有用的解决方法是运行我的驱动程序应用程序（即 Web 服务）带有附加参数：

-XX:ThreadStackSize=81920 -Dspark.executor.extraJavaOptions='-XX:ThreadStackSize=81920'

Answer 3

似乎我找到了解决方案——使用 spark 2.0。以前，我使用 1.6.2 - 它是发布时的最新版本。我试过用2.0预览版，也有问题重现

Apache Spark：尝试索引字符串列时出现 StackOverflowError

Apache Spark: StackOverflowError when trying to indexing string columns

java

scala

apache-spark

apache-spark-mllib