我遍历文件来收集有关字典中的列和行中的值的信息。我有以下代码在本地工作:如何解决pyspark中的pickle错误?
def search_nulls(file_name):
separator = ','
nulls_dict = {}
fp = open(file_name,'r')
null_cols = {}
lines = fp.readlines()
for n,line in enumerate(lines):
line = line.split(separator)
for m,data in enumerate(line):
data = data.strip('\n').strip('\r')
if str(m) not in null_cols:
null_cols[str(m)] = defaultdict(lambda: 0)
if len(data) <= 4:
null_cols[str(m)][str(data)] = null_cols[str(m)][str(data)] + 1
return null_cols
files_to_process = ['tempfile.csv']
results = map(lambda file: search_nulls(file), files_to_process)
上面的代码工作正常,没有火花。 我评论的最后两行以上,我尝试用火花,因为这是一些原型,将需要运行分布:
os.environ['SPARK_HOME'] = <path_to_spark_folder>
conf = SparkConf().setAppName("search_files").setMaster('local')
sc = SparkContext(conf=conf)
objects = sc.parallelize(files_to_process)
resulting_object = \
objects.map(lambda file_object: find_nulls(file_object))
result = resulting_object.collect()
使用的火花,不过,这将导致以下错误:
File "<path-to-spark>/python/lib/pyspark.zip/pyspark/worker.py", line 111, in main
process()
File "<path-to-spark>/python/lib/pyspark.zip/pyspark/worker.py", line 106, in process
serializer.dump_stream(func(split_index, iterator), outfile)
File "<path-to-spark>/python/lib/pyspark.zip/pyspark/serializers.py", line 267, in dump_stream
bytes = self.serializer.dumps(vs)
File "<path-to-spark>/python/lib/pyspark.zip/pyspark/serializers.py", line 415, in dumps
return pickle.dumps(obj, protocol)
TypeError: expected string or Unicode object, NoneType found
我一直无法找到任何明显的原因,为什么这会失败,因为它在本地完美运行,并且我没有在工作节点间共享任何文件。实际上,我只是在本地机器上运行它。
有谁知道为什么这可能会失败的一个很好的理由?
所以,我只想澄清,一般来说,可以在本地序列化'lambda'功能应该能够被“pyspark”序列化?了解这一点对于本地测试的目的是有用的。感谢你对这个问题的坚持。 – Sother
大部分时间是的。你必须考虑事情发生的时间和地点,一般来说我不会滥用lambda。几乎所有的常见操作都可以使用内置函数来执行,而没有静态类型,就会出现错误,本质上不可测试,并且令人惊讶的是冗长。 – zero323