python - 调用 map 后的pyspark EOFError

Question

我是 spark 和 pyspark 的新手。

我正在将一个小的 csv 文件(约 40k)读入数据框。

from pyspark.sql import functions as F
df = sqlContext.read.format('com.databricks.spark.csv').options(header='true', inferschema='true').load('/tmp/sm.csv')
df = df.withColumn('verified', F.when(df['verified'] == 'Y', 1).otherwise(0))
df2 = df.map(lambda x: Row(label=float(x[0]), features=Vectors.dense(x[1:]))).toDF()

我遇到了一些奇怪的错误，不是每次都发生，但确实经常发生

>>> df2.show(1)
+--------------------+---------+
|            features|    label|
+--------------------+---------+
|[0.0,0.0,0.0,0.0,...|4700734.0|
+--------------------+---------+
only showing top 1 row

>>> df2.count()
41999                                                                           
>>> df2.show(1)
+--------------------+---------+
|            features|    label|
+--------------------+---------+
|[0.0,0.0,0.0,0.0,...|4700734.0|
+--------------------+---------+
only showing top 1 row

>>> df2.count()
41999                                                                           
>>> df2.show(1)
Traceback (most recent call last):
  File "spark-1.6.1/python/lib/pyspark.zip/pyspark/daemon.py", line 157, in manager
  File "spark-1.6.1/python/lib/pyspark.zip/pyspark/daemon.py", line 61, in worker    
  File "spark-1.6.1/python/lib/pyspark.zip/pyspark/worker.py", line 136, in main
    if read_int(infile) == SpecialLengths.END_OF_STREAM:
  File "spark-1.6.1/python/lib/pyspark.zip/pyspark/serializers.py", line 545, in read_int
    raise EOFError
EOFError
+--------------------+---------+
|            features|    label|
+--------------------+---------+
|[0.0,0.0,0.0,0.0,...|4700734.0|
+--------------------+---------+
only showing top 1 row

一旦引发了 EOFError，我将不会再看到它，直到我做一些需要与 spark 服务器交互的事情

当我调用 df2.count() 时，它会显示 [Stage xxx] 提示符，这就是我所说的进入 spark 服务器的意思。当我用 df2 做某事时，任何触发似乎最终都会再次给出 EOFError 的东西。

df (vs. df2) 似乎没有发生这种情况，所以似乎它一定是 df.map() 行发生的事情。

Answer 1

你可以在将数据框转换为rdd之后尝试做 map 吗？您正在对数据框应用 map 功能，然后再次从中创建数据框。语法类似于

df.rdd.map().toDF()

请让我知道它是否有效。谢谢。