avro反序列化函数需要列表中的字节,但在数据帧上应用时失败。仅适用于collect(),但驱动程序/主程序的内存不足
在python 3.6.8中使用spark版本2.3.3 正在从包含avro序列化消息的配置单元表select创建数据帧。 然后我使用https://github.com/Landoop/python-serializers.git,因为它支持在python3.x上使用合流模式注册表进行avro反序列化
尝试对数据帧应用反序列化函数,但失败。 只有当我数据框收集(),并使用for循环反序列化每个条目,或者在将df转换为rdd.地图并反序列化每一行。 这两种情况都只能在test中工作,在prod中,它要么是OOM,要么是永远在运行在5node 30GB、8cpu服务器上的10GB配置单元数据上运行。你知道吗
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)
尝试1时的错误消息
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 ```
在
Column
上应用普通Python函数之前,必须将其转换为用户定义的函数(UDF
):其中
decoded_row_schema
描述返回对象的形状。你知道吗但是,如果您使用的是当前的(>;=2.4.0)版本,则可能根本不需要这样做-Pyspark 2.4.0, read avro from kafka with read stream - Python
相关问题 更多 >
编程相关推荐