Elasticsearch analytics（）与Python中的Spark不兼容？

Question

我正在使用Python 3在PySpark中使用elasticsearch-py客户端，并且将带有ES的analytics（）函数与RDD结合使用时遇到了问题。 特别是，我的RDD中的每个记录都是一串文本，并且我试图对其进行分析以获取令牌信息，但是尝试在Spark的map函数中使用它时遇到错误。

例如，这可以很好地工作：

from elasticsearch import Elasticsearch
es = Elasticsearch()
t = 'the quick brown fox'
es.indices.analyze(text=t)['tokens'][0]

{'end_offset': 3,
'position': 1,
'start_offset': 0,
'token': 'the',
'type': '<ALPHANUM>'}

但是，当我尝试这样做时：

trdd = sc.parallelize(['the quick brown fox'])
trdd.map(lambda x: es.indices.analyze(text=x)['tokens'][0]).collect()

我收到与腌制相关的非常长的错误消息（到此结束）：

(self, obj)    109if'recursion'in.[0]:    110="""Could not pickle object as excessively deep recursion required."""--> 111                  picklePicklingErrormsg

  save_memoryviewself obj

: Could not pickle object as excessively deep recursion required.

raise.()    112    113def(,):PicklingError

我不确定错误的含义。 难道我做错了什么？ 有没有办法将ES分析功能映射到RDD的记录上？

编辑：当也从elasticsearch-py应用其他功能时（例如es.termvector（）），我也得到了这种行为。

Answer 1

本质上， Elasticsearch客户端不可序列化。 因此，您需要为每个分区创建一个客户端实例，然后对其进行处理：

def get_tokens(part): es = Elasticsearch() yield [es.indices.analyze(text=x)['tokens'][0] for x in part] rdd = sc.parallelize([['the quick brown fox'], ['brown quick dog']], numSlices=2) rdd.mapPartitions(lambda p: get_tokens(p)).collect()

应该给出以下结果： Out[17]: [[{u'end_offset': 3, u'position': 1, u'start_offset': 0, u'token': u'the', u'type': u'<ALPHANUM>'}], [{u'end_offset': 5, u'position': 1, u'start_offset': 0, u'token': u'brown', u'type': u'<ALPHANUM>'}]]

请注意，对于大型数据集，这将非常低效，因为它涉及对数据集中每个元素的REST调用。