Преобразование фрейма данных pyspark в фреймворк pandas

У меня есть фрейм данных pyspark, размер которого равен (28002528,21), и я пытался преобразовать его в фрейм данных pandas, используя следующую строку кода:

pd_df=spark_df.toPandas()

У меня такая ошибка:

первая часть

Py4JJavaError: An error occurred while calling o170.collectToPython.
: org.apache.spark.SparkException: Job aborted due to stage failure: Task 3 in stage 39.0 failed 1 times, most recent failure: Lost task 3.0 in stage 39.0 (TID 89, localhost, executor driver): java.lang.OutOfMemoryError: Java heap space
    at java.util.Arrays.copyOf(Arrays.java:3236)
    at java.io.ByteArrayOutputStream.grow(ByteArrayOutputStream.java:118)
    at java.io.ByteArrayOutputStream.ensureCapacity(ByteArrayOutputStream.java:93)
    at java.io.ByteArrayOutputStream.write(ByteArrayOutputStream.java:153)
    at net.jpountz.lz4.LZ4BlockOutputStream.flushBufferedData(LZ4BlockOutputStream.java:220)
    at net.jpountz.lz4.LZ4BlockOutputStream.write(LZ4BlockOutputStream.java:173)
    at java.io.DataOutputStream.write(DataOutputStream.java:107)
    at org.apache.spark.sql.catalyst.expressions.UnsafeRow.writeToStream(UnsafeRow.java:552)
    at org.apache.spark.sql.execution.SparkPlan$$anonfun$2.apply(SparkPlan.scala:256)
    at org.apache.spark.sql.execution.SparkPlan$$anonfun$2.apply(SparkPlan.scala:247)
    at org.apache.spark.rdd.RDD$$anonfun$mapPartitionsInternal$1$$anonfun$apply$25.apply(RDD.scala:830)
    at org.apache.spark.rdd.RDD$$anonfun$mapPartitionsInternal$1$$anonfun$apply$25.apply(RDD.scala:830)
    at org.apache.spark.rdd.MapPartitionsRDD.compute(MapPartitionsRDD.scala:38)
    at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:324)
    at org.apache.spark.rdd.RDD.iterator(RDD.scala:288)
    at org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:87)
    at org.apache.spark.scheduler.Task.run(Task.scala:109)
    at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:345)
    at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1149)
    at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:624)
    at java.lang.Thread.run(Thread.java:748)


Driver stacktrace:
        at org.apache.spark.scheduler.DAGScheduler.org$apache$spark$scheduler$DAGScheduler$$failJobAndIndependentStages(DAGScheduler.scala:1599)
        ...
        ...

Caused by: java.lang.OutOfMemoryError: Java heap space
        ...
        ...

Вторая часть

Exception happened during processing of request from ('127.0.0.1', 56842)
ERROR:py4j.java_gateway:An error occurred while trying to connect to the Java server (127.0.0.1:56657)
Traceback (most recent call last):
        ...
        ...    
ConnectionResetError: [WinError 10054] An existing connection was forcibly closed by the remote host

During handling of the above exception, another exception occurred:
        ...
        ...

и я попытался также взять образец исходного фрейма данных pyspark

smaple_pd_df=spark_df.sample(0.05).toPandas()

У меня ошибка выглядит как первая часть предыдущей ошибки


pandas pyspark apache-spark-2.3
person Ahmad Senousi    schedule 25.02.2019    source источник

Ответы (2)


arrow_upward
1
arrow_downward

Вы получаете java.lang.OutOfMemoryError, что, вероятно, означает, что вы пытаетесь загрузить все данные в один узел, у которого недостаточно оперативной памяти для обработки всего DataFrame. Если вы используете поставщика облачных решений, например Databricks, попробуйте увеличить размер ОЗУ кластера.

person ulmefors    schedule 25.02.2019

arrow_upward
1
arrow_downward

Что делает toPandas(), так это собирает весь фрейм данных в один узел (как объяснено в ответе @ ulmefors).

Точнее, он собирает его водителю. Конкретный параметр, который вы должны настроить, - spark.driver.memory, соответственно увеличьте его.

В противном случае, если вы планируете выполнять дальнейшие преобразования в этом (довольно большом) фрейме данных pandas, вы можете сначала рассмотреть возможность их выполнения в pyspark, а затем собрать (меньший) результат в драйвер, надеюсь, он поместится в памяти.

Более подробная информация доступна в документации по конфигурации Spark, здесь.

person Omar    schedule 05.04.2019