代码之家 › 专栏 › 技术社区 › bluesummers

通过Spark创建parquet Petastorm数据集失败,出现溢出错误(大于4GB)

petastorm pyspark python

1

bluesummers · 技术社区 · 6 年前

我正在尝试实现Uber的Petastorm数据集创建,该数据集使用Spark创建一个拼花地板文件,该文件遵循他们的教程 Github page .

守则:

spark = SparkSession.builder.config('spark.driver.memory', '10g').master('local[4]').getOrCreate()
sc = spark.sparkContext

with materialize_dataset(spark=spark, dataset_url='file:///opt/data/hello_world_dataset',
                         schema=MySchema, row_group_size_mb=256):

    logging.info('Building RDD...')
    rows_rdd = sc.parallelize(ids)\
        .map(row_generator)\  # Generator that yields lists of examples
        .flatMap(lambda x: dict_to_spark_row(MySchema, x))

    logging.info('Creating DataFrame...')
    spark.createDataFrame(rows_rdd, MySchema.as_spark_schema()) \
        .coalesce(10) \
        .write \
        .mode('overwrite') \
        .parquet('file:///opt/data/hello_world_dataset')

现在,RDD代码成功执行,但只有 .createDataFrame 调用时出现以下错误:

这是我第一次使用Spark,所以我真的不知道这个错误是源于Spark还是Petastorm。

通过查看此错误的其他解决方案(关于Spark,而不是Petastorm),我发现这可能与酸洗协议有关,但我无法确认这一点,我也没有找到改变酸洗协议的方法。

我怎样才能避免这个错误呢?

2 回复 | 直到 6 年前

1

2

bluesummers 6 年前

问题在于为在不同进程之间传递数据而进行的pickle,默认pickle协议是2,我们需要使用4来传递大于4GB的对象。

要更改酸洗协议,请在创建Spark会话之前,使用以下代码

from pyspark import broadcast
import pickle


def broadcast_dump(self, value, f):
    pickle.dump(value, f, 4)  # was 2, 4 is first protocol supporting >4GB
    f.close()

    return f.name


broadcast.Broadcast.dump = broadcast_dump

2

lockwobr 5 年前

建立蓝夏人的答案

The master branch of spark right now fixes

from pyspark import broadcast
from pyspark.cloudpickle import print_exec
import pickle

def broadcast_dump(self, value, f):
    try:
        pickle.dump(value, f, pickle.HIGHEST_PROTOCOL) 
    except pickle.PickleError:
        raise
    except Exception as e:
        msg = "Could not serialize broadcast: %s: %s" \
                % (e.__class__.__name__, _exception_message(e))
        print_exec(sys.stderr)
        raise pickle.PicklingError(msg)
    f.close()

broadcast.Broadcast.dump = broadcast_dump