pandasUDF 和 pyarrow 0.15.0
pandasUDF and pyarrow 0.15.0
我最近开始在 EMR 集群上的一些 pyspark
作业 运行 上遇到一堆错误。错误是
java.lang.IllegalArgumentException
at java.nio.ByteBuffer.allocate(ByteBuffer.java:334)
at org.apache.arrow.vector.ipc.message.MessageSerializer.readMessage(MessageSerializer.java:543)
at org.apache.arrow.vector.ipc.message.MessageChannelReader.readNext(MessageChannelReader.java:58)
at org.apache.arrow.vector.ipc.ArrowStreamReader.readSchema(ArrowStreamReader.java:132)
at org.apache.arrow.vector.ipc.ArrowReader.initialize(ArrowReader.java:181)
at org.apache.arrow.vector.ipc.ArrowReader.ensureInitialized(ArrowReader.java:172)
at org.apache.arrow.vector.ipc.ArrowReader.getVectorSchemaRoot(ArrowReader.java:65)
at org.apache.spark.sql.execution.python.ArrowPythonRunner$$anon.read(ArrowPythonRunner.scala:162)
at org.apache.spark.sql.execution.python.ArrowPythonRunner$$anon.read(ArrowPythonRunner.scala:122)
at org.apache.spark.api.python.BasePythonRunner$ReaderIterator.hasNext(PythonRunner.scala:406)
at org.apache.spark.InterruptibleIterator.hasNext(InterruptibleIterator.scala:37)
at org.apache.spark.sql.execution.python.ArrowEvalPythonExec$$anon.<init>(ArrowEvalPythonExec.scala:98)
at org.apache.spark.sql.execution.python.ArrowEvalPythonExec.evaluate(ArrowEvalPythonExec.scala:96)
at org.apache.spark.sql.execution.python.EvalPythonExec$$anonfun$doExecute.apply(EvalPythonExec.scala:127)...
它们似乎都发生在 pandas 系列的 apply
函数中。我发现的唯一变化是 pyarrow
已于星期六 (05/10/2019) 更新。测试似乎适用于 0.14.1
所以我的问题是,是否有人知道这是否是新更新的 pyarrow 中的错误,或者是否有一些重大变化会使 pandasUDF 将来难以使用?
这不是错误。我们在 0.15.0 中进行了一项重要的协议更改,使 pyarrow 的默认行为与 Java 中旧版本的 Arrow 不兼容——您的 Spark 环境似乎使用的是旧版本。
你的选择是
- 从您使用的位置设置环境变量
ARROW_PRE_0_15_IPC_FORMAT=1
Python - 暂时降级到 pyarrow < 0.15.0。
希望 Spark 社区能够在 Java 中尽快升级到 0.15.0,这样这个问题就会消失。
中讨论在 Spark 中尝试以下附录:
spark-submit --deploy-mode cluster --conf spark.yarn.appExecutorEnv.ARROW_PRE_0_15_IPC_FORMAT=1 --conf spark.yarn.appMasterEnv.ARROW_PRE_0_15_IPC_FORMAT=1 --conf spark.executorEnv.ARROW_PRE_0_15_IPC_FORMAT=1