Pyspark 等待数据帧内部联接中出现结果错误
在docker容器中运行独立的spark-2.3.0-bin-hadoop2.7
>
数据集非常小。
df1 schema： Dataframe[id：bigint， name：string] df2 schema： Dataframe[id：decimal（12，0）， age： int]
内联接
df3 = df1.join(df2, df1.id == df2.id, 'inner')
df3 schema: Dataframe[id:bigint, name:string, age: int]
执行 df3.show（5） 时， 发生以下错误
Traceback (most recent call last): File "<stdin>", line 1, in <module> File "/usr/apache/spark-2.3.0-bin-hadoop2.7/python/pyspark/sql/dataframe.py", line 466, in collect
port = self._jdf.collectToPython() File "/usr/local/lib/python3.6/dist-packages/py4j/java_gateway.py", line 1257, in __call__
answer, self.gateway_client, self.target_id, self.name) File "/usr/apache/spark-2.3.0-bin-hadoop2.7/python/pyspark/sql/utils.py", line 63, in deco
return f(*a, **kw) File "/usr/local/lib/python3.6/dist-packages/py4j/protocol.py", line 328, in get_return_value
format(target_id, ".", name), value) py4j.protocol.Py4JJavaError: An error occurred while calling o43.collectToPython. : org.apache.spark.SparkException: Exception thrown in awaitResult:
at org.apache.spark.util.ThreadUtils$.awaitResult(ThreadUtils.scala:205)
at org.apache.spark.sql.execution.exchange.BroadcastExchangeExec.doExecuteBroadcast(BroadcastExchangeExec.scala:136)
尝试根据此建议将广播时间设置为-1，但出现相同的错误
conf = SparkConf().set("spark.sql.broadcastTimeout","-1")
共有1个答案
我使用的是与Spark 2.3不兼容的JRE版本。
在 Docker 映像中使用 openjdk-8-jre 更新 JRE 后，错误已解决
-
我有一个由180M行和4列（所有整数）组成的熊猫数据帧。我把它保存为泡菜文件，文件是5.8GB。我正在尝试使用将熊猫数据帧转换为 pyspark 数据帧，但不断收到“内存不足”错误。 错误代码段为 我有超过200GB的内存，我不认为缺少物理内存是个问题。我了解到有多种内存限制，例如驱动内存-这可能是原因吗？ 我该如何解决这个问题？
-
我有两个具有大量(几百万到几千万)行的数据帧。我想为他们牵线搭桥。 在我目前使用的BI系统中，您可以通过首先对特定键进行分区，然后在该键上进行连接来快速完成此操作。 这是我在Spark中需要遵循的模式吗，或者这并不重要？乍一看，在分区之间转移数据似乎浪费了很多时间，因为没有正确地进行预分区。 如果有必要，我该怎么做？
-
本文向大家介绍如何在R中执行两个数据帧的内部联接和外部联接？，包括了如何在R中执行两个数据帧的内部联接和外部联接？的使用技巧和注意事项，需要的朋友参考一下 内部联接仅返回左侧表在右表中具有匹配键的行，外部联接返回两个表中的所有行，左侧联接返回在右表中具有匹配键的记录。这可以通过使用合并功能来完成。 示例 内部联接 内部联接 外连接
-
下面是数据帧列的样子。 df1=‘设备编号’、‘日期’、。。。。 df2=‘设备编号’、‘日期’、。。。。 在每个数据帧中，设备号和日期都不是唯一的。然而，它们的组合对于识别一行是唯一的。 我试图形成一个新的数据帧，它匹配来自df1和df2的行，其中设备号和日期都相等，并且拥有来自这些df1和df2的所有列。我正在尝试的熊猫命令是 然而，df3给了我一个数据帧的形状（14000，21）。列号是有意
-
我在pyspark有两个数据框。如下所示，df1保存来自传感器的整个long_lat。第二个数据帧df2是第一个数据帧的子集，其中lat-long值被向上舍入到2位小数，然后删除重复项以保留唯一的lat_long数据点。 DF1： df2: 因此，df2 的行数比第一个少得多。在 df2 中，我应用了一个 udf 来计算状态名称。 现在我想在 df1 中填充状态名称。由于 df2 的 lat_lo
-
假设我有两个数据帧，具有不同级别的信息，如下所示： 我想加入df1和df2，并将“值”信息传递给df2：一天中的每一小时都将获得“日”值。 预期产出：