Apache spark Spark 2.0+；Kryo序列化程序+；Avro->；NullPointerException？

我有一个简单的pyspark程序：

from pyspark import SQLContext
from pyspark import SparkConf
from pyspark import SparkContext

if __name__ == "__main__":
    spark_settings = {
        "spark.serializer": 'org.apache.spark.serializer.KryoSerializer'
    }

    conf = SparkConf()
    conf.setAll(spark_settings.items())
    spark_context = SparkContext(appName="test app", conf=conf)
    spark_sql_context = SQLContext(spark_context)

    source_path = "s3n://my_bucket/data.avro"
    data_frame = spark_sql_context.read.load(source_path, format="com.databricks.spark.avro")
    # The schema comes back correctly.
    data_frame.printSchema()
    # This count() call fails. A call to head() triggers the same error.
    data_frame.count()

我和你一起跑步

$SPARK_HOME/bin/spark-submit --master yarn \
  --packages com.databricks:spark-avro_2.11:3.0.0 \
    bug_isolation.py

它失败，出现以下异常和堆栈跟踪

如果我切换到

--master local

，它会工作。如果我禁用KryoSerializer选项，它就会工作。或者，如果我使用拼花地板源而不是Avro源，它就可以工作

结合使用

--master warn

和KryoSerializer以及Avro源会触发下面列出的异常和堆栈跟踪

我怀疑我可能需要手动注册一些Avro插件类与KryoSerializer的工作？我需要注册哪些课程

  File "/usr/lib/spark/python/lib/py4j-0.10.1-src.zip/py4j/protocol.py", line 312, in get_return_value
py4j.protocol.Py4JJavaError: An error occurred while calling o58.count.
: org.apache.spark.SparkException: Job aborted due to stage failure: Task 3 in stage 0.0 failed 4 times, most recent failure: Lost task 3.3 in stage 0.0 (TID 9, ip-172-31-97-24.us-west-2.compute.internal): java.lang.NullPointerException
    at com.databricks.spark.avro.DefaultSource$$anonfun$buildReader$1.apply(DefaultSource.scala:151)
    at com.databricks.spark.avro.DefaultSource$$anonfun$buildReader$1.apply(DefaultSource.scala:143)
    at org.apache.spark.sql.execution.datasources.FileFormat$$anon$1.apply(fileSourceInterfaces.scala:279)
    at org.apache.spark.sql.execution.datasources.FileFormat$$anon$1.apply(fileSourceInterfaces.scala:263)
    at org.apache.spark.sql.execution.datasources.FileScanRDD$$anon$1.nextIterator(FileScanRDD.scala:116)
    at org.apache.spark.sql.execution.datasources.FileScanRDD$$anon$1.hasNext(FileScanRDD.scala:91)
    at org.apache.spark.sql.catalyst.expressions.GeneratedClass$GeneratedIterator.agg_doAggregateWithoutKey$(Unknown Source)
    at org.apache.spark.sql.catalyst.expressions.GeneratedClass$GeneratedIterator.processNext(Unknown Source)
    at org.apache.spark.sql.execution.BufferedRowIterator.hasNext(BufferedRowIterator.java:43)
    at org.apache.spark.sql.execution.WholeStageCodegenExec$$anonfun$8$$anon$1.hasNext(WholeStageCodegenExec.scala:370)
    at scala.collection.Iterator$$anon$11.hasNext(Iterator.scala:408)
    at org.apache.spark.shuffle.sort.BypassMergeSortShuffleWriter.write(BypassMergeSortShuffleWriter.java:125)
    at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:79)
    at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:47)
    at org.apache.spark.scheduler.Task.run(Task.scala:85)
    at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:274)
    at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142)
    at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
    at java.lang.Thread.run(Thread.java:745)

---

如果调用

data\u frame.head（）

，则会出现相同的错误。很明显，数据不是空的，因为它在没有Kryo序列化的情况下或者在本地模式下运行的情况下工作得很好。请问您为什么使用Kryo？如果它真的是Spark 2.0，你应该使用SparkSession（而不是SparkContext和SQLContext），尽管这对这个例子没有多大影响。我们使用Kryo来提高速度。官方的星火文件推荐它。我知道2.0中的SparkSession，但我的团队目前应该编写1.6兼容代码，即使我在运行时使用Spark 2.0。如果调用

data\u frame.head（）

，我也会遇到同样的错误。很明显，数据不是空的，因为它在没有Kryo序列化的情况下或者在本地模式下运行的情况下工作得很好。请问您为什么使用Kryo？如果它真的是Spark 2.0，你应该使用SparkSession（而不是SparkContext和SQLContext），尽管这对这个例子没有多大影响。我们使用Kryo来提高速度。官方的星火文件推荐它。我知道2.0中的SparkSession，但我的团队目前应该编写1.6兼容的代码，即使我在运行时使用Spark2.0。