Заранее всем спасибо за помощь! Я очень новичок в Spark и использую Databricks (Runtime Version 5.0, включает Apache Spark 2.4.0, Scala 2.11).
Я пытался загрузить некоторые XML-файлы, используя spark-xml (2.11.0.5.0), и обнаружил следующее исключение sparkException:
org.apache.spark.SparkException: Job aborted due to stage failure:
Task 5 in stage 0.0 failed 4 times, most recent failure: Lost task
5.3 in stage 0.0 (TID 17, 10.106.234.32, executor 0):
java.lang.NullPointerException
at scala.collection.immutable.StringOps$.apply$extension(StringOps.scala:37)
at com.databricks.spark.xml.XmlRecordReader.readUntilStartElement(XmlInputFormat.scala:156)
at com.databricks.spark.xml.XmlRecordReader.next(XmlInputFormat.scala:131)
at com.databricks.spark.xml.XmlRecordReader.nextKeyValue(XmlInputFormat.scala:119)
at org.apache.spark.rdd.NewHadoopRDD$$anon$1.hasNext(NewHadoopRDD.scala:236)
at org.apache.spark.InterruptibleIterator.hasNext(InterruptibleIterator.scala:37)
at scala.collection.Iterator$$anon$11.hasNext(Iterator.scala:408)
at scala.collection.Iterator$$anon$11.hasNext(Iterator.scala:408)
at org.apache.spark.sql.catalyst.expressions.GeneratedClass$GeneratedIteratorForCodegenStage1.agg_doAggregateWithoutKey_0$(Unknown Source)
at org.apache.spark.sql.catalyst.expressions.GeneratedClass$GeneratedIteratorForCodegenStage1.processNext(Unknown Source)
at org.apache.spark.sql.execution.BufferedRowIterator.hasNext(BufferedRowIterator.java:43)
at org.apache.spark.sql.execution.WholeStageCodegenExec$$anonfun$11$$anon$1.hasNext(WholeStageCodegenExec.scala:619)
at scala.collection.Iterator$$anon$11.hasNext(Iterator.scala:408)
at org.apache.spark.shuffle.sort.BypassMergeSortShuffleWriter.write(BypassMergeSortShuffleWriter.java:125)
at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:99)
at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:55)
at org.apache.spark.scheduler.Task.run(Task.scala:124)
at org.apache.spark.executor.Executor$TaskRunner$$anonfun$11.apply(Executor.scala:459)
at org.apache.spark.util.Utils$.tryWithSafeFinally(Utils.scala:1401)
at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:465)
at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1149)
at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:624)
at java.lang.Thread.run(Thread.java:748)
Странно, что не было проблем с загрузкой файлов за день до использования точно таких же конфигураций кластера:
- Версия среды исполнения Databricks: 5.0 (включает Apache Spark 2.4.0, Scala 2.11)
- Тип драйвера и рабочий: i3.xlarge - 30,5 ГБ памяти, 4 ядра, 1 DBU
Каждый из несжатых XML-файлов имеет размер от 70 до 130 МБ, и их 8. Я надеюсь загрузить их в один набор данных.
Я получил следующие данные и загрузил их в Databricks:
wget ftp://ftp.nlm.nih.gov/nlmdata/sample/medline/*.gz
gunzip *.gz
Вот код:
import com.databricks.spark.xml._
import org.apache.spark.sql.{Dataset, SparkSession}
import org.apache.hadoop.conf.Configuration
import org.apache.hadoop.io.{Text, LongWritable}
def loadMedline(spark: SparkSession, path: String) = {
import spark.implicits._
/* conf: org.apache.hadoop.conf.Configuration = Configuration:
* core-default.xml, core-site.xml, mapred-default.xml,
* mapred-site.xml, yarn-default.xml, yarn-site.xml,
* hdfs-default.xml, hdfs-site.xml
*/
@transient val conf = new Configuration()
conf.set(XmlInputFormat.START_TAG_KEY, "<MedlineCitation>")
conf.set(XmlInputFormat.END_TAG_KEY, "</MedlineCitation>")
/* sc: org.apache.spark.SparkContext */
val sc = spark.sparkContext
/* records: org.apache.spark.rdd.RDD[(org.apache.hadoop.io.LongWritable, org.apache.hadoop.io.Text)] =
* dbfs:/FileStore/tables/ch7_medline/ NewHadoopRDD[0] at newAPIHadoopFile at command-2335143412865645:1
*/
val records = sc.newAPIHadoopFile(path, classOf[XmlInputFormat],
classOf[LongWritable], classOf[Text])
/* returns: org.apache.spark.sql.Dataset[String] = [value: string] */
records.map(line => line._2.toString).toDS()
}
/* medlineRaw: org.apache.spark.sql.Dataset[String] = [value: string] */
val medlineRaw = loadMedline(spark, "dbfs:/FileStore/tables/ch7_medline/")
medlineRaw.count() // <--- got the error here
Еще раз большое спасибо! Некоторое время оглядывался по сторонам, но все равно не мог заставить его работать.