Pyspark py4j PickleException: "ожидаемые нулевые аргументы для построения ClassDict"

этот вопрос направлен на лиц, знакомых с py4j - и может помочь решить ошибку маринования. Я пытаюсь добавить метод в pyspark PythonMLLibAPI, который принимает RDD namedtuple, выполняет некоторую работу и возвращает результат в виде RDD.

этот метод моделируется после PYthonMLLibAPI.метод trainALSModel (), аналогичный существующей соответствующие порции:

  def trainALSModel(
    ratingsJRDD: JavaRDD[Rating],
    .. )

на существующей python Класс рейтинга, используемый для моделирования нового кода:

class Rating(namedtuple("Rating", ["user", "product", "rating"])):
    def __reduce__(self):
        return Rating, (int(self.user), int(self.product), float(self.rating))

вот попытка, поэтому вот соответствующие классы:

новая python класс pyspark.mllib.кластеризация.MatrixEntry:

from collections import namedtuple
class MatrixEntry(namedtuple("MatrixEntry", ["x","y","weight"])):
    def __reduce__(self):
        return MatrixEntry, (long(self.x), long(self.y), float(self.weight))

новая метод foobarRDD В PythonMLLibAPI:

  def foobarRdd(
    data: JavaRDD[MatrixEntry]): RDD[FooBarResult] = {
    val rdd = data.rdd.map { d => FooBarResult(d.i, d.j, d.value, d.i * 100 + d.j * 10 + d.value)}
    rdd
  }

теперь давайте попробуем это:

from pyspark.mllib.clustering import MatrixEntry

def convert_to_MatrixEntry(tuple):
  return MatrixEntry(*tuple)

from pyspark.mllib.clustering import *
pic = PowerIterationClusteringModel(2)
tups = [(1,2,3),(4,5,6),(12,13,14),(15,7,8),(16,17,16.5)]
trdd = sc.parallelize(map(convert_to_MatrixEntry,tups))

# print out the RDD on python side just for validation
print "%s" %(repr(trdd.collect()))

from pyspark.mllib.common import callMLlibFunc
pic = callMLlibFunc("foobar", trdd)

соответствующие части результатов:

[(1,2)=3.0, (4,5)=6.0, (12,13)=14.0, (15,7)=8.0, (16,17)=16.5]

который показывает, что входной rdd является "целым". Однако маринование было недовольным:

5/04/27 21:15:44 ERROR Executor: Exception in task 6.0 in stage 1.0 (TID 14)
net.razorvine.pickle.PickleException: expected zero arguments for construction of ClassDict
(for pyspark.mllib.clustering.MatrixEntry)
    at net.razorvine.pickle.objects.ClassDictConstructor.construct(ClassDictConstructor.java:23)
    at net.razorvine.pickle.Unpickler.load_reduce(Unpickler.java:617)
    at net.razorvine.pickle.Unpickler.dispatch(Unpickler.java:170)
    at net.razorvine.pickle.Unpickler.load(Unpickler.java:84)
    at net.razorvine.pickle.Unpickler.loads(Unpickler.java:97)
    at org.apache.spark.mllib.api.python.SerDe$$anonfun$pythonToJava$$anonfun$apply.apply(PythonMLLibAPI.scala:1167)
    at org.apache.spark.mllib.api.python.SerDe$$anonfun$pythonToJava$$anonfun$apply.apply(PythonMLLibAPI.scala:1166)
    at scala.collection.Iterator$$anon.hasNext(Iterator.scala:371)
    at scala.collection.Iterator$$anon.hasNext(Iterator.scala:327)
    at scala.collection.Iterator$class.foreach(Iterator.scala:727)
    at scala.collection.AbstractIterator.foreach(Iterator.scala:1157)
    at scala.collection.generic.Growable$class.$plus$plus$eq(Growable.scala:48)
    at scala.collection.mutable.ArrayBuffer.$plus$plus$eq(ArrayBuffer.scala:103)
    at scala.collection.mutable.ArrayBuffer.$plus$plus$eq(ArrayBuffer.scala:47)
    at scala.collection.TraversableOnce$class.to(TraversableOnce.scala:273)
    at scala.collection.AbstractIterator.to(Iterator.scala:1157)
    at scala.collection.TraversableOnce$class.toBuffer(TraversableOnce.scala:265)
    at scala.collection.AbstractIterator.toBuffer(Iterator.scala:1157)
    at scala.collection.TraversableOnce$class.toArray(TraversableOnce.scala:252)
    at scala.collection.AbstractIterator.toArray(Iterator.scala:1157)
    at org.apache.spark.rdd.RDD$$anonfun.apply(RDD.scala:819)
    at org.apache.spark.rdd.RDD$$anonfun.apply(RDD.scala:819)
    at org.apache.spark.SparkContext$$anonfun$runJob.apply(SparkContext.scala:1523)
    at org.apache.spark.SparkContext$$anonfun$runJob.apply(SparkContext.scala:1523)
    at org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:61)
    at org.apache.spark.scheduler.Task.run(Task.scala:64)
    at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:212)
    at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1145)
    at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:615)
    at java.lang.Thread.run(Thread.java:724)

Ниже приведен визуальный след стека вызова python:

enter image description here

7
apache-spark py4j pyspark python

3 ответов

У меня была та же ошибка, что и при использовании MLlib, и оказалось, что я вернул неправильный тип данных в одной из моих функций. Теперь он работает после простого приведения возвращаемого значения. Это может быть не тот ответ, который вы ищете, но это, по крайней мере, подсказка для направления.

9

имел ту же проблему, несколько раз. numpy типы не имеют неявных преобразований в pyspark.язык SQL.типы.

сделайте простое явное преобразование в собственную систему типов. В моем случае это было:

float(vector_a.dot(vector_b)
2

Я получил эту ошибку, используя Spark Version >= 2.0.

Spark переводит функциональность MLlib в новое пространство имен ML. В результате существует два типа SparseVector: ml.linalg.SparseVector и mllib.linalg.SparseVector

некоторые функции MLlib по-прежнему ожидают более старые mllib вид

from pyspark.ml.linalg import Vectors
# convert ML vector to older MLlib vector
old_vec = Vectors.fromML(new_vec)

HTH

1