在PySpark 2上加入DataFrame时出错

Question

我在使用Spark 2.3.1和PySpark时遇到了麻烦。

Firstable我试图做很多不同的操作，比如连接和列选择，最后收集它或将它保存到csv文件中，但火花给我一个Py4JJavaError。

我的第一个错误是：

Py4JJavaError: An error occurred while calling o482.showString.
: org.apache.spark.SparkException: Exception thrown in awaitResult: 
    at org.apache.spark.util.ThreadUtils$.awaitResult(ThreadUtils.scala:205)

编辑完整错误堆栈http://textuploader.com/d21se

我试图根据https://community.hortonworks.com/content/supportkb/150263/orgapachesparksparkexception-exception-thrown-in-a.html增加broadcastTimeout，但它仍然无法正常工作。

所以我尝试了一个像关节这样的小手术。我有两个DataFrame，每个大约50MB。我试过像这样的联接：

l.join(r, l["ir"] == r["ir"], how="outer").show()

当l和r是我的DataFrame而ir是关键。

我仍然得到一个错误

Py4JJavaError: An error occurred while calling o3584.showString.
: java.lang.IllegalArgumentException

我不确定该做什么以及问题来自哪里。如果有人可以帮忙！

编辑：经过更多调查后，当我进行连接时，似乎总是列数是一个问题。我试着这样做：

l = l.selectExpr(*list(np.unique(l.columns[:-7] + ["ir"])))
l.join(r, l["ir"] == r["ir"], how="outer").show()`

和

l = l.selectExpr(*list(np.unique(l.columns[-7:] + ["ir"])))
l.join(r, l["ir"] == r["ir"], how="outer").show()

对于python不熟悉的人来说，两者都工作了，我只选择了从第0列到第7行的第一个表达式中的子样本（-7在结束之前是7）+键，在第二个表达式中从第7列到第7列结束

两种工作都意味着每个列都可以进入连接，并且它不是带有数据的pb，而是具有列数。我认为这可能是火花配置pb但不确定。