pandasUDF 和 pyarrow 0.15.0

Question

我最近开始在 EMR 集群上运行的许多 pyspark 作业上遇到一堆错误。错误是

java.lang.IllegalArgumentException
    at java.nio.ByteBuffer.allocate(ByteBuffer.java:334)
    at org.apache.arrow.vector.ipc.message.MessageSerializer.readMessage(MessageSerializer.java:543)
    at org.apache.arrow.vector.ipc.message.MessageChannelReader.readNext(MessageChannelReader.java:58)
    at org.apache.arrow.vector.ipc.ArrowStreamReader.readSchema(ArrowStreamReader.java:132)
    at org.apache.arrow.vector.ipc.ArrowReader.initialize(ArrowReader.java:181)
    at org.apache.arrow.vector.ipc.ArrowReader.ensureInitialized(ArrowReader.java:172)
    at org.apache.arrow.vector.ipc.ArrowReader.getVectorSchemaRoot(ArrowReader.java:65)
    at org.apache.spark.sql.execution.python.ArrowPythonRunner$$anon$1.read(ArrowPythonRunner.scala:162)
    at org.apache.spark.sql.execution.python.ArrowPythonRunner$$anon$1.read(ArrowPythonRunner.scala:122)
    at org.apache.spark.api.python.BasePythonRunner$ReaderIterator.hasNext(PythonRunner.scala:406)
    at org.apache.spark.InterruptibleIterator.hasNext(InterruptibleIterator.scala:37)
    at org.apache.spark.sql.execution.python.ArrowEvalPythonExec$$anon$2.<init>(ArrowEvalPythonExec.scala:98)
    at org.apache.spark.sql.execution.python.ArrowEvalPythonExec.evaluate(ArrowEvalPythonExec.scala:96)
    at org.apache.spark.sql.execution.python.EvalPythonExec$$anonfun$doExecute$1.apply(EvalPythonExec.scala:127)...

它们似乎都发生在 pandas 系列的 apply 函数中。我发现的唯一变化是 pyarrow 已于周六(05/10/2019)更新。测试似乎适用于 0.14.1

所以我的问题是，是否有人知道这是否是新更新的 pyarrow 中的错误，或者是否存在一些重大变化，导致 pandasUDF 将来难以使用？

Answer 1

这不是一个错误。我们在 0.15.0 中进行了一项重要的协议(protocol)更改，使 pyarrow 的默认行为与 Java 中旧版本的 Arrow 不兼容 - 您的 Spark 环境似乎使用的是旧版本。

您的选择是

• 在使用 Python 的位置设置环境变量 ARROW_PRE_0_15_IPC_FORMAT=1
• 暂时降级到 pyarrow < 0.15.0。

希望 Spark 社区能够很快将 Java 升级到 0.15.0，这样这个问题就会消失。

这在 http://arrow.apache.org/blog/2019/10/06/0.15.0-release/ 中进行了讨论