PySpark：过滤掉非类型对象上的 RDD 元素失败
问题我想过滤输出 RDD 的元素，其中字段“状态”是不等于“OK”。我从 HDFS 上的一组 CSV 文件创建一个 RDD，然后在尝试映射之前使用过滤器获取所需的结构：
import csv, StringIO
files = "/hdfs_path/*.csv"
fields = ["time", "status"]
dial = "excel"
default = {'status': 'OK', 'time': '2014-01-0100:00:00'}
def loadRecord(line, fieldnames, dialect):
input = StringIO.StringIO(line)
reader = csv.DictReader(input, fieldnames = fieldnames, dialect = dialect)
try:
line = reader.next()
if line is None:
return default
else:
return line
except:
return default
harmonics = sc.textFile(files) \
.map(lambda x: loadRecord(x, fields, dial)) \
.filter(lambda x: "OK" not in x['status'])
我可以在这个 RDD 上执行其他操作 - 例如另一个地图仅对某些字段等进行操作。但是，当我使用 filter 运行代码时，其中一个任务总是失败，并在 lambda 函数中出现异常：
筛选
我认为这意味着 lambda 收到了一个 'NoneType object is not iterable' ，所以我添加了代码来过滤以避免返回 None 。但是，我仍然遇到同样的错误。它确实适用于一个小样本数据集，但我的实际数据足够大，我不确定如何检测它的哪一部分可能导致问题。
欢迎任何意见！
回答
首先，使用 map(lambda x: loadRecord(x, fields, dial)) 重置 map(lambda x: (x, loadRecord(x, fields, dial))) 的空间 - 这会保留原始记录和解析后的记录.
其次，将 flatMap(test_function) 调用替换为 filter()，定义 test_function 如何测试输入，如果第二个传递的参数为 None（解析的记录），则返回第一个参数。
通过这种方式，您可以获得导致问题的输入行并在本地测试脚本。通常，我会将行 global default 添加为函数的第一行
页:
[1]