Pyspark：序列化任务超出允许的最大值。考虑增加spark.rpc.message.maxSize或使用广播变量来获取较大的值

Question

我正在对集群进行计算，最后当我用df.describe（）询问我的Spark数据帧的汇总统计时.show（）我得到一个错误：

序列化任务15：0是137500581字节，超过了最大允许值：spark.rpc.message.maxSize（134217728字节）。考虑增加spark.rpc.message.maxSize或使用广播变量来获取较大的值

在我的Spark配置中，我已经尝试增加上述参数：

spark = (SparkSession
         .builder
         .appName("TV segmentation - dataprep for scoring")
         .config("spark.executor.memory", "25G")
         .config("spark.driver.memory", "40G")
         .config("spark.dynamicAllocation.enabled", "true")
         .config("spark.dynamicAllocation.maxExecutors", "12")
         .config("spark.driver.maxResultSize", "3g")
         .config("spark.kryoserializer.buffer.max.mb", "2047mb")
         .config("spark.rpc.message.maxSize", "1000mb")
         .getOrCreate())

我还尝试使用以下方法重新分区我的数据帧：

dfscoring = dfscoring.repartition（100）

但我仍然继续得到同样的错误。

我的环境：Python 3.5，Anaconda 5.0，Spark 2

我怎样才能避免这个错误？

Answer 1

我遇到了同样的问题，浪费了我生命中的一天，我永远不会回来。我不确定为什么会这样，但这就是我如何让它为我工作。

第1步：确保正确设置了PYSPARK_PYTHON和PYSPARK_DRIVER_PYTHON。原来，worker（2.6）中的python与驱动程序（3.6）中的版本不同。您应该检查是否正确设置了环境变量PYSPARK_PYTHON和PYSPARK_DRIVER_PYTHON。

我通过简单地将我的内核从Python 3 Spark 2.2.0切换到Jupyter中的Python Spark 2.3.1来修复它。您可能需要手动设置它。以下是如何确保您的PySpark正确设置https://mortada.net/3-easy-steps-to-set-up-pyspark.html

第2步：如果这不起作用，请尝试解决它：这个内核开关适用于我没有添加任何列的DF：spark_df - > panda_df - > back_to_spark_df ....但是它没有用于在我添加了5个额外列的DF。所以我尝试了它并且它起作用如下：

# 1. Select only the new columns: 

    df_write = df[['hotel_id','neg_prob','prob','ipw','auc','brier_score']]


# 2. Convert this DF into Spark DF:



     df_to_spark = spark.createDataFrame(df_write)
     df_to_spark = df_to_spark.repartition(100)
     df_to_spark.registerTempTable('df_to_spark')


# 3. Join it to the rest of your data:

    final = df_to_spark.join(data,'hotel_id')


# 4. Then write the final DF. 

    final.write.saveAsTable('schema_name.table_name',mode='overwrite')

希望有所帮助！