将 rdd 映射到空值上的 java 语音匹配库时，Spark 抛出 java.lang.NullPointerException

Posted 2023-04-18

【中文标题】将 rdd 映射到空值上的 java 语音匹配库时，Spark 抛出 java.lang.NullPointerException

【英文标题】：Spark throws java.lang.NullPointerException when mapping rdd with java phonetic matching library on null values

【发布时间】：2017-04-07 02:12:51

【问题描述】：

我有一个使用 map 从 DataFrame 转过来的 RDD：

case class Record(id_1: Int, fnam_1: String, lnam_1: String, id_2: Long, fnam_2: String, lnam_2: String)
val rdd = df.map 
  case Row(id_1: Int, fnam_1: String, lnam_1: String, id_2: Long, fnam_2: String, lnam_2: String) =>
    Record(id_1, fnam_1, lnam_1, id_2, fnam_2, lnam_2)

然后我使用java音标匹配库对这个rdd进行过滤操作（如下图）：

import edu.ualr.oyster.utilities.DoubleMetaphone

def matchFirstName(rec: Record) = 
  val s1 = Option(rec.fnam_1).getOrElse("")
  val s2 = Option(rec.fnam_2).getOrElse("")
  if (s1.isEmpty || s2.isEmpty)
    false
  else
    new DoubleMetaphone().compareDoubleMetaphone(s1, s2)


val rdd_filtered = rdd.filter(matchFirstName(_))

当我运行这个时，我得到一个 NPE 错误：

17/04/06 19:06:31 WARN scheduler.TaskSetManager: Lost task 0.0 in stage 4.0 (TID 160, my.work.cluster.com): java.lang.NullPointerException
    at edu.ualr.oyster.utilities.DoubleMetaphone.compareDoubleMetaphone(DoubleMetaphone.java:1020)
    at funpackage.EntityResolution$.phoneticMatching(EntityResolution.scala:106)
    at esurance.EntityResolution$.esurance$EntityResolution$$matchNames$1(EntityResolution.scala:118)
    at esurance.EntityResolution$$anonfun$8.apply(EntityResolution.scala:137)
    at esurance.EntityResolution$$anonfun$8.apply(EntityResolution.scala:137)
    at scala.collection.Iterator$$anon$14.hasNext(Iterator.scala:390)
    at scala.collection.Iterator$$anon$11.hasNext(Iterator.scala:327)
    at scala.collection.Iterator$$anon$11.hasNext(Iterator.scala:327)
    at scala.collection.Iterator$$anon$10.hasNext(Iterator.scala:308)
    at scala.collection.Iterator$class.foreach(Iterator.scala:727)
    at scala.collection.AbstractIterator.foreach(Iterator.scala:1157)
    at scala.collection.generic.Growable$class.$plus$plus$eq(Growable.scala:48)
    at scala.collection.mutable.ArrayBuffer.$plus$plus$eq(ArrayBuffer.scala:103)
    at scala.collection.mutable.ArrayBuffer.$plus$plus$eq(ArrayBuffer.scala:47)
    at scala.collection.TraversableOnce$class.to(TraversableOnce.scala:273)
    at scala.collection.AbstractIterator.to(Iterator.scala:1157)
    at scala.collection.TraversableOnce$class.toBuffer(TraversableOnce.scala:265)
    at scala.collection.AbstractIterator.toBuffer(Iterator.scala:1157)
    at scala.collection.TraversableOnce$class.toArray(TraversableOnce.scala:252)
    at scala.collection.AbstractIterator.toArray(Iterator.scala:1157)
    at org.apache.spark.sql.execution.SparkPlan$$anonfun$5.apply(SparkPlan.scala:215)
    at org.apache.spark.sql.execution.SparkPlan$$anonfun$5.apply(SparkPlan.scala:215)
    at org.apache.spark.SparkContext$$anonfun$runJob$5.apply(SparkContext.scala:1850)
    at org.apache.spark.SparkContext$$anonfun$runJob$5.apply(SparkContext.scala:1850)
    at org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:66)
    at org.apache.spark.scheduler.Task.run(Task.scala:88)
    at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:214)
    at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1145)
    at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:615)
    at java.lang.Thread.run(Thread.java:745)

我尝试在项目中的一对字符串上使用语音匹配，它确实没有问题。我还在 spark sql 中使用了相同的库，包装在用户定义的函数中，没有任何问题。我怀疑问题可能是由于我的某些值可能丢失（null）这一事实引起的。但我试图用Option 来解决这个问题。知道为什么会失败吗？

【问题讨论】：

虽然 Scala 不是非常地道，但我看不出有什么明显的东西可以产生 NPE。您是否查看了 s1 和 s2 的哪些值触发了异常？您是否查看了DoubleMetaphone 的第 120 行，看看那里发生了什么？例如，如果DoubleMetaphone 对产生null 的空字符串执行某些操作怎么办？我不是说这就是发生的事情，但我认为你有很多调查途径。

【参考方案1】：

我没有尝试深入研究edu.ualr.oyster 库以查看它是否导致异常。但似乎确实如此。我切换到使用org.apache.commons.codec.language 库（相同的双变音功能）并且程序在火花上运行没有问题。