在 Spark 中处理大量列时出现 StackOverflowError

Question

我有一个宽数据框（130000 行 x 8700 列），当我尝试对所有列求和时出现以下错误：

Exception in thread "main" java.lang.WhosebugError at scala.collection.generic.Growable$$anonfun$$plus$plus$eq.apply(Growable.scala:59) at scala.collection.generic.Growable$$anonfun$$plus$plus$eq.apply(Growable.scala:59) at scala.collection.IndexedSeqOptimized$class.foreach(IndexedSeqOptimized.scala:33) at scala.collection.mutable.WrappedArray.foreach(WrappedArray.scala:35) at scala.collection.generic.Growable$class.$plus$plus$eq(Growable.scala:59) at scala.collection.mutable.ListBuffer.$plus$plus$eq(ListBuffer.scala:183) at scala.collection.mutable.ListBuffer.$plus$plus$eq(ListBuffer.scala:45) at scala.collection.generic.GenericCompanion.apply(GenericCompanion.scala:49) at org.apache.spark.sql.catalyst.expressions.BinaryExpression.children(Expression.scala:400) at org.apache.spark.sql.catalyst.trees.TreeNode.containsChild$lzycompute(TreeNode.scala:88) ...

这是我的 Scala 代码：

  val df = spark.read
    .option("header", "false")
    .option("delimiter", "\t")
    .option("inferSchema", "true")
    .csv("D:\Documents\Trabajo\Fábregas\matrizLuna\matrizRelativa")


  val arrayList = df.drop("cups").columns
  var colsList = List[Column]()
  arrayList.foreach { c => colsList :+= col(c) }

  val df_suma = df.withColumn("consumo_total", colsList.reduce(_ + _))

如果我对几列执行相同的操作，它工作正常，但是当我尝试对大量列进行归约操作时，我总是遇到同样的错误。

任何人都可以建议我该怎么做吗？列数有限制吗？

谢谢！

Answer 1

您可以使用不同的缩减方法来生成深度为 O(log(n)) 的平衡二叉树，而不是深度为 O(n):

的退化线性化 BinaryExpression 链

def balancedReduce[X](list: List[X])(op: (X, X) => X): X = list match {
  case Nil => throw new IllegalArgumentException("Cannot reduce empty list")
  case List(x) => x
  case xs => {
    val n = xs.size
    val (as, bs) = list.splitAt(n / 2)
    op(balancedReduce(as)(op), balancedReduce(bs)(op))
  }
}

现在在您的代码中，您可以替换

colsList.reduce(_ + _)

来自

balancedReduce(colsList)(_ + _)

一个小例子来进一步说明 BinaryExpressions 会发生什么，可以在没有任何依赖的情况下编译：

sealed trait FormalExpr
case class BinOp(left: FormalExpr, right: FormalExpr) extends FormalExpr {
  override def toString: String = {
    val lStr = left.toString.split("\n").map("  " + _).mkString("\n")
    val rStr = right.toString.split("\n").map("  " + _).mkString("\n")
    return s"BinOp(\n${lStr}\n${rStr}\n)"
  }
}
case object Leaf extends FormalExpr

val leafs = List.fill[FormalExpr](16){Leaf}

println(leafs.reduce(BinOp(_, _)))
println(balancedReduce(leafs)(BinOp(_, _)))

这就是普通的 reduce 所做的（这实际上是您的代码中发生的事情）：

这是 balancedReduce 产生的：

BinOp(
  BinOp(
    BinOp(
      BinOp(
        Leaf
        Leaf
      )
      BinOp(
        Leaf
        Leaf
      )
    )
    BinOp(
      BinOp(
        Leaf
        Leaf
      )
      BinOp(
        Leaf
        Leaf
      )
    )
  )
  BinOp(
    BinOp(
      BinOp(
        Leaf
        Leaf
      )
      BinOp(
        Leaf
        Leaf
      )
    )
    BinOp(
      BinOp(
        Leaf
        Leaf
      )
      BinOp(
        Leaf
        Leaf
      )
    )
  )
)

线性化链的长度为 O(n)，当 Catalyst 尝试对其求值时，它炸毁了堆栈。这不应该发生在深度为 O(log(n)) 的扁平树上。

当我们谈论渐近运行时时：为什么要附加到可变 colsList？这需要 O(n^2) 时间。为什么不直接在 .columns 的输出上调用 toList？

在 Spark 中处理大量列时出现 StackOverflowError

StackOverflowError when operating with a large number of columns in Spark

stack-overflow

scala

mapreduce

apache-spark

spark-dataframe