SPARK 1.6.1:在评估DataFrame上的分类器时,任务不可序列化

Question

我有一个DataFrame,我将它映射到()的RDD以测试SVMModel.

我使用的是Zeppelin和Spark 1.6.1

这是我的代码:

val loadedSVMModel = SVMModel.load(sc, pathToSvmModel)

// Clear the default threshold.
loadedSVMModel.clearThreshold()

// Compute raw scores on the test set.
val scoreAndLabels = df.select($"features", $"label")
                       .map { case Row(features:Vector, label: Double) =>
                                val score = loadedSVMModel.predict(features)
                                (score,label)
                            }

// Get evaluation metrics.
val metrics = new BinaryClassificationMetrics(scoreAndLabels)
val auROC = metrics.areaUnderROC()

println("Area under ROC = " + auROC)

执行代码时,我有一个org.apache.spark.SparkException: Task not serializable;,我很难理解为什么会发生这种情况,我该如何解决它.

• 是因为我使用Zeppelin吗？
• 是因为原始DataFrame？

我在Spark编程指南中执行了SVM示例,它运行得很好.所以原因应该与上述其中一点相关......我猜.

以下是Exception堆栈的一些相关元素:

Caused by: java.io.NotSerializableException: org.apache.spark.sql.Column
Serialization stack:
    - object not serializable (class: org.apache.spark.sql.Column, value: (sum(CASE WHEN (domainIndex = 0) THEN sumOfScores ELSE 0),mode=Complete,isDistinct=false) AS 0#100278)
    - element of array (index: 0)
    - array (class [Lorg.apache.spark.sql.Column;, size 372)

我没有发布完整的异常堆栈,因为Zeppelin倾向于显示一个非常长的不相关的文本.如果您希望我完成例外,请告诉我.

附加信息

使用VectorAssembler()生成特征向量,如下所示

// Prepare vector assemble
val vecAssembler =  new VectorAssembler()
                               .setInputCols(arrayOfIndices)
                               .setOutputCol("features")


// Aggregation expressions
val exprs = arrayOfIndices
                .map(c => sum(when($"domainIndex" === c, $"sumOfScores")
                .otherwise(lit(0))).alias(c))

val df = vecAssembler
           .transform(anotherDF.groupBy($"userID", $"val")
           .agg(exprs.head, exprs.tail: _*))
           .select($"userID", $"features", $"val")
           .withColumn("label", sqlCreateLabelValue($"val"))
           .drop($"val").drop($"userID")

Answer 1

问题的根源实际上与DataFrame您使用甚至不直接与Zeppelin有关.更多的是代码组织与在同一范围内存在非可序列化对象的问题.

由于您使用交互式会话,因此所有对象都在同一范围内定义,并成为闭包的一部分.它包括exprs看起来像Seq[Column]哪里Column不可序列化.

操作SQL表达式时不会出现问题,因为exprs它只在本地使用,但在下拉到操作时会出现问题RDD.exprs作为闭包的一部分包含在内并导致表达.您可以重现此行为的最简单方法(ColumnName是子类之一Column)是这样的:

Welcome to
      ____              __
     / __/__  ___ _____/ /__
    _\ \/ _ \/ _ `/ __/  '_/
   /___/ .__/\_,_/_/ /_/\_\   version 2.0.0-SNAPSHOT
      /_/

Using Scala version 2.11.8 (OpenJDK 64-Bit Server VM, Java 1.8.0_91)
Type in expressions to have them evaluated.
Type :help for more information.

scala> val df = Seq(1, 2, 3).toDF("x")
df: org.apache.spark.sql.DataFrame = [x: int]

scala> val x = $"x"
x: org.apache.spark.sql.ColumnName = x

scala> def f(x: Any) = 0
f: (x: Any)Int

scala> df.select(x).rdd.map(f _)
org.apache.spark.SparkException: Task not serializable
...
Caused by: java.io.NotSerializableException: org.apache.spark.sql.ColumnName
Serialization stack:
    - object not serializable (class: org.apache.spark.sql.ColumnName, value: x)
...

您可以尝试解决此问题的一种方法是将其标记exprs为瞬态:

@transient val exprs: Seq[Column] = ???

在我们的最小例子中也可以正常工作:

scala> @transient val x = $"x"
x: org.apache.spark.sql.ColumnName = x

scala> df.select(x).rdd.map(f _)
res1: org.apache.spark.rdd.RDD[Int] = MapPartitionsRDD[8] at map at <console>:30