scala - بسبب: java.lang.NullPointerException في org.apache.spark.sql.Dataset




apache-spark dataframe (2)

المشكلة هي أن تحاول الوصول إلى prodRows من داخل prodRows.foreach . لا يمكنك استخدام إطار بيانات ضمن عملية تحول ، فهناك بيانات موجودة فقط على برنامج التشغيل.

أدناه أقدم رمز بلدي. أقوم بالتكرار على prodRows prodRows ولكل prodRows product_PK أجد بعض القوائم الفرعية المطابقة لـ product_PKs من prodRows .

  numRecProducts = 10
  var listOfProducts: Map[Long,Array[(Long, Int)]] = Map()
  prodRows.foreach{ row : Row =>
      val product_PK = row.get(row.fieldIndex("product_PK")).toString.toLong
      val gender = row.get(row.fieldIndex("gender_PK")).toString
      val selection = prodRows.filter($"gender_PK" === gender || $"gender_PK" === "UNISEX").limit(numRecProducts).select($"product_PK")
      var productList: Array[(Long, Int)] = Array()
      if (!selection.rdd.isEmpty()) {
        productList = selection.rdd.map(x => (x(0).toString.toLong,1)).collect()
      }
    listOfProducts = listOfProducts + (product_PK -> productList)
  }

ولكن عندما أقوم بتنفيذها ، يعطيني الخطأ التالي. يبدو أن selection فارغ في بعض التكرارات. ومع ذلك ، لا أفهم كيف يمكنني معالجة هذا الخطأ:

Driver stacktrace:
    at org.apache.spark.scheduler.DAGScheduler.org$apache$spark$scheduler$DAGScheduler$$failJobAndIndependentStages(DAGScheduler.scala:1690)
    at org.apache.spark.scheduler.DAGScheduler$$anonfun$abortStage$1.apply(DAGScheduler.scala:1678)
    at org.apache.spark.scheduler.DAGScheduler$$anonfun$abortStage$1.apply(DAGScheduler.scala:1677)
    at scala.collection.mutable.ResizableArray$class.foreach(ResizableArray.scala:59)
    at scala.collection.mutable.ArrayBuffer.foreach(ArrayBuffer.scala:48)
    at org.apache.spark.scheduler.DAGScheduler.abortStage(DAGScheduler.scala:1677)
    at org.apache.spark.scheduler.DAGScheduler$$anonfun$handleTaskSetFailed$1.apply(DAGScheduler.scala:855)
    at org.apache.spark.scheduler.DAGScheduler$$anonfun$handleTaskSetFailed$1.apply(DAGScheduler.scala:855)
    at scala.Option.foreach(Option.scala:257)
    at org.apache.spark.scheduler.DAGScheduler.handleTaskSetFailed(DAGScheduler.scala:855)
    at org.apache.spark.scheduler.DAGSchedulerEventProcessLoop.doOnReceive(DAGScheduler.scala:1905)
    at org.apache.spark.scheduler.DAGSchedulerEventProcessLoop.onReceive(DAGScheduler.scala:1860)
    at org.apache.spark.scheduler.DAGSchedulerEventProcessLoop.onReceive(DAGScheduler.scala:1849)
    at org.apache.spark.util.EventLoop$$anon$1.run(EventLoop.scala:48)
    at org.apache.spark.scheduler.DAGScheduler.runJob(DAGScheduler.scala:671)
    at org.apache.spark.SparkContext.runJob(SparkContext.scala:2022)
    at org.apache.spark.SparkContext.runJob(SparkContext.scala:2043)
    at org.apache.spark.SparkContext.runJob(SparkContext.scala:2062)
    at org.apache.spark.SparkContext.runJob(SparkContext.scala:2087)
    at org.apache.spark.rdd.RDD$$anonfun$foreach$1.apply(RDD.scala:918)
    at org.apache.spark.rdd.RDD$$anonfun$foreach$1.apply(RDD.scala:916)
    at org.apache.spark.rdd.RDDOperationScope$.withScope(RDDOperationScope.scala:151)
    at org.apache.spark.rdd.RDDOperationScope$.withScope(RDDOperationScope.scala:112)
    at org.apache.spark.rdd.RDD.withScope(RDD.scala:362)
    at org.apache.spark.rdd.RDD.foreach(RDD.scala:916)
    at org.apache.spark.sql.Dataset$$anonfun$foreach$1.apply$mcV$sp(Dataset.scala:2325)
    at org.apache.spark.sql.Dataset$$anonfun$foreach$1.apply(Dataset.scala:2325)
    at org.apache.spark.sql.Dataset$$anonfun$foreach$1.apply(Dataset.scala:2325)
    at org.apache.spark.sql.execution.SQLExecution$.withNewExecutionId(SQLExecution.scala:65)
    at org.apache.spark.sql.Dataset.withNewExecutionId(Dataset.scala:2823)
    at org.apache.spark.sql.Dataset.foreach(Dataset.scala:2324)
    at org.test.ComputeNumSim.run(ComputeNumSim.scala:69)
    at org.test.ComputeNumSimRunner$.main(ComputeNumSimRunner.scala:19)
    at org.test.ComputeNumSimRunner.main(ComputeNumSimRunner.scala)
    at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
    at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
    at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
    at java.lang.reflect.Method.invoke(Method.java:498)
    at org.apache.spark.deploy.yarn.ApplicationMaster$$anon$2.run(ApplicationMaster.scala:635)
Caused by: java.lang.NullPointerException
    at org.apache.spark.sql.Dataset.<init>(Dataset.scala:170)
    at org.apache.spark.sql.Dataset$.apply(Dataset.scala:61)
    at org.apache.spark.sql.Dataset.withTypedPlan(Dataset.scala:2877)
    at org.apache.spark.sql.Dataset.filter(Dataset.scala:1304)
    at org.test.ComputeNumSim$$anonfun$run$1.apply(ComputeNumSim.scala:74)
    at org.test.ComputeNumSim$$anonfun$run$1.apply(ComputeNumSim.scala:69)
    at scala.collection.Iterator$class.foreach(Iterator.scala:893)
    at scala.collection.AbstractIterator.foreach(Iterator.scala:1336)
    at org.apache.spark.rdd.RDD$$anonfun$foreach$1$$anonfun$apply$28.apply(RDD.scala:918)
    at org.apache.spark.rdd.RDD$$anonfun$foreach$1$$anonfun$apply$28.apply(RDD.scala:918)
    at org.apache.spark.SparkContext$$anonfun$runJob$5.apply(SparkContext.scala:2062)
    at org.apache.spark.SparkContext$$anonfun$runJob$5.apply(SparkContext.scala:2062)
    at org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:87)
    at org.apache.spark.scheduler.Task.run(Task.scala:108)
    at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:335)
    at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1149)
    at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:624)

ماذا يعني وكيف يمكنني التعامل معها؟


لا يمكنك الوصول إلى أي من تجريدات Spark "جانب السائق" (RDDs ، DataFrames ، Datasets ، SparkSession ...) من داخل دالة تم تمريرها إلى أحد تحويلات Spark's DataFrame / RDD. لا يمكنك أيضًا تحديث الكائنات القابلة للتغيير من جانب برنامج التشغيل من داخل هذه الوظائف.

في حالتك - تحاول استخدام prodRows selection (كلاهما DataFrames) ضمن دالة تم تمريرها إلى DataFrame.foreach . أنت تحاول أيضًا تحديث listOfProducts (متغير محلي من جانب برنامج التشغيل) من داخل نفس الوظيفة.

لماذا ا؟

  • DataFrames و RDDs و SparkSession موجودة فقط على تطبيق Driver الخاص بك. إنها بمثابة "مقبض" للوصول إلى البيانات الموزعة على مجموعة من الآلات العاملة.
  • يتم إجراء تسلسل الدالات التي تم تمريرها إلى تحويلات RDD / DataFrame وإرسالها إلى تلك المجموعة ، ليتم تنفيذها على أقسام البيانات على كل من الأجهزة العاملة. عندما يتم إلغاء تسلسل DataFrames / RDDs المتسلسلة على تلك الأجهزة - فهي عديمة الفائدة ، لا يزال بإمكانها تمثيل البيانات الموجودة على الكتلة لأنها مجرد نسخ مجوفة من تلك التي تم إنشاؤها على تطبيق برنامج التشغيل ، والتي تحافظ فعليًا على اتصال الكتلة آلات
  • للسبب نفسه ، ستفشل محاولة تحديث المتغيرات من جانب برنامج التشغيل: سيتم إجراء تسلسل للمتغيرات (تبدأ كخلفية ، في معظم الحالات) وتسلسلها إلى كل عامل ، وتحديثها محليًا على العمال ، والبقاء هناك .. سيبقى متغير جانب السائق الأصلي كما هو

كيف يمكنك حل هذا؟ عند العمل مع Spark ، وخاصة مع DataFrames ، يجب أن تحاول تجنب "التكرار" على البيانات ، واستخدام العمليات التصريحية لـ DataFrame بدلاً من ذلك. في معظم الحالات ، عندما ترغب في الرجوع إلى بيانات DataFrame أخرى لكل سجل في DataFrame الخاص بك ، فأنت ترغب في استخدام join لإنشاء DataFrame جديد مع سجلات تجمع بين البيانات من DataFrames.

في هذه الحالة بالذات ، إليك حل مكافئ تقريبًا يقوم بما تحاول القيام به ، إذا تمكنت من الانتهاء منه بشكل صحيح. حاول استخدام هذا وقراءة وثائق DataFrame لمعرفة التفاصيل:

import org.apache.spark.sql.expressions.Window
import org.apache.spark.sql.functions._
import spark.implicits._

val numRecProducts = 10

val result = prodRows.as("left")
  // self-join by gender:
  .join(prodRows.as("right"), $"left.gender_PK" === $"right.gender_PK" || $"right.gender_PK" === "UNISEX")
  // limit to 10 results per record:
  .withColumn("rn", row_number().over(Window.partitionBy($"left.product_PK").orderBy($"right.product_PK")))
  .filter($"rn" <= numRecProducts).drop($"rn")
  // group and collect_list to create products column:
  .groupBy($"left.product_PK" as "product_PK")
  .agg(collect_list(struct($"right.product_PK", lit(1))) as "products")