Функция десериализации avro ожидает байтов в списке и не работает при применении к кадру данных. Работает только с collect (), но драйверу / мастеру не хватает памяти
При использовании Spark версии 2.3.3 с Python 3.6.8 фрейм данных создается из выбора таблицы Hive, в которой есть сериализованное сообщение avro. Затем я использую https://github.com/Landoop/python-serializers.git поскольку он поддерживает десериализацию avro с использованием реестра конфлюентных схем на python 3.x
Пытался применить функцию десериализации к кадру данных, и это не удалось. Работает только в том случае, если я df.collect () и использую цикл for для десериализации каждой записи или работает, если я конвертирую df в rdd.map и десериализую каждую строку. Оба этих случая работают только в тестовом режиме, в продукте он либо OOM, либо работает вечно на данных куста 10 ГБ, работающих на серверах 5node 30GB, 8cpu.
spark = SparkSession \
.builder \
....
.enableHiveSupport() \
.getOrCreate()
df = spark.sql("SELECT * FROM table1")
unbase_df = df.select(unbase64(df.mycolumn1))
client = SchemaRegistryClient(url='1.2.3.4:1234')
serializer = MessageSerializer(client)
##attempt 1##FAILS##
decode_df = df.select(serializer.decode_message('mycolumn1'))
###->ERROR ->
##attempt 2##FAILS##
decode_df_2 = df.select(serializer.decode_message(b'mycolumn1'))
##attempt 3##WORKS BUT OOM with high volume on master(drivermanager)##
unbase_collect = unbase_df.collect()
decode_list = [serializer.decode_message(msg.mycolumn1) for msg in unbase_collect]
##attempt 4##WORKS BUT RUNS FOR EVER##
def avrodecoder(row):
decoded_row = serializer.decode_message(row['mycolumn1'])
return decoded_row
decode_rdd = unbase_df.select("*").rdd.map(avrodecoder)
## After #3 or #4 works I convert back to dataframe with schema
schema = StructType([
StructField("1column", StructType([
.......
StructField("ncolumn", StringType()])
decode_df = spark.createDataFrame(decode_rdd,schema)
Сообщение об ошибке в случае # попытки 1
in decode_message(self, message) 185 raise SerializerError("message is too small to decode") 186 --> 187 with ContextBytesIO(message) as payload: 188 magic, schema_id = struct.unpack('>bI', payload.read(5)) 189 if magic != MAGIC_BYTE: TypeError: a bytes-like object is required, not 'str'``` Error message in case of #attempt 2 ```.....python3.6/site-packages/datamountaineer/schemaregistry/serializers/MessageSerializer.py in decode_message(self, message) 188 magic, schema_id = struct.unpack('>bI', payload.read(5)) 189 if magic != MAGIC_BYTE: --> 190 raise SerializerError("message does not start with magic byte") 191 decoder_func = self._get_decoder_func(schema_id, payload) 192 return decoder_func(payload) SerializerError: the message does not start with a magic byte ```
- Как я могу десериализовать avro через реестр конфлюентных схем непосредственно на фреймворке данных
- Как я могу убедиться, что все преобразования выполняются только для рабочих / исполнителей
- Как я могу заставить его работать достаточно эффективно, чтобы он не OOM и не работал 5,6+ часов для ‹10 ГБ данных
- Не понимаю логики того, почему график «Yarn Pending Memory» показывает, что в обоих рабочих случаях он поднимается до 7 + ТБ или даже выше.