dataframe - Pyspark:序列化任务超过允许的最大值。考虑增加 spark.rpc.message.maxSize 或对大值使用广播变量

Question

我正在集群上进行计算，最后当我使用 df.describe().show() 询问我的 Spark 数据帧的摘要统计信息时，我收到一个错误:
序列化任务 15:0 为 137500581 字节，超过了最大允许值:spark.rpc.message.maxSize(134217728 字节)。考虑增加 spark.rpc.message.maxSize 或对大值使用广播变量
在我的 Spark 配置中，我已经尝试增加上述参数:

spark = (SparkSession
         .builder
         .appName("TV segmentation - dataprep for scoring")
         .config("spark.executor.memory", "25G")
         .config("spark.driver.memory", "40G")
         .config("spark.dynamicAllocation.enabled", "true")
         .config("spark.dynamicAllocation.maxExecutors", "12")
         .config("spark.driver.maxResultSize", "3g")
         .config("spark.kryoserializer.buffer.max.mb", "2047mb")
         .config("spark.rpc.message.maxSize", "1000mb")
         .getOrCreate())

我还尝试使用以下方法重新分区我的数据框:

dfscoring=dfscoring.repartition(100)

但我仍然不断收到同样的错误。
我的环境:Python 3.5、Anaconda 5.0、Spark 2
我怎样才能避免这个错误？

Answer 1

我遇到了同样的问题，然后我解决了它。
原因是 spark.rpc.message.maxSize如果默认设置 128M ，您可以在启动 spark 客户端时更改它，我在 pyspark 中工作并将值设置为 1024，所以我这样写:

pyspark --master yarn --conf spark.rpc.message.maxSize=1024

解决它。