apache-spark - EMR : class "io.netty.buffer.ArrowBuf"' 上的 Pandas udf 错误

Question

我尝试在 AWS EMR 上的 Jupyter 笔记本上使用 pandas udf 但无济于事。 首先，我尝试使用我做的一个功能，但我无法让它工作，所以我尝试了一些我在这里找到的其他问题的答案示例，但我仍然无法让它工作。 我试过这段代码:

from pyspark.sql.functions import pandas_udf, PandasUDFType
from pyspark.sql.types import *
import pyspark.sql.functions as F
import pyarrow

df = spark.createDataFrame([
    (1, "A", "X1"),
    (2, "B", "X2"),
    (3, "B", "X3"),
    (1, "B", "X3"),
    (2, "C", "X2"),
    (3, "C", "X2"),
    (1, "C", "X1"),
    (1, "B", "X1"),
], ["id", "type", "code"])

schema = StructType([
    StructField("code", StringType()),
])


@F.pandas_udf(schema, F.PandasUDFType.GROUPED_MAP)
def dummy_udaf(pdf):
    pdf = pdf[['code']]
    return pdf

df.groupBy('type').apply(dummy_udaf).show()

我得到这个错误:

Caused by: java.lang.SecurityException: class "io.netty.buffer.ArrowBuf"'s signer information does not match signer information of other classes in the same package

我尝试不使用 import pyarrow，但我得到了同样的错误。我还使用了有关该主题的答案中的其他代码，结果是一样的。

在 bootstrap shell 脚本中，我有一个 pip 安装行，如下所示:

sudo python3 -m pip install pandas==0.24.2 pyarrow==0.14.1

我试过使用 pyarrow 0.15.1，但没有任何改变。 你知道是什么导致了这个错误吗？谢谢!

Answer 1

设置以下版本

sudo python3 -m pip install pyarrow==0.14 pandas==1.1.4