如何使用Python类处理RDD？

Question

我在Spark中将模型实现为python类，每当我尝试将类方法映射到RDD时，它都会失败。 我的实际代码更复杂，但这个简化版本是问题的核心：

class model(object):
    def __init__(self):
        self.data = sc.textFile('path/to/data.csv')
        # other misc setup
    def run_model(self):
        self.data = self.data.map(self.transformation_function)
    def transformation_function(self,row):
        row = row.split(',')
        return row[0]+row[1]

现在，如果我像这样运行模型（例如）：

test = model()
test.run_model()
test.data.take(10)

我收到以下错误：

例外：您似乎尝试从广播变量，操作或转换引用SparkContext。 SparkContext只能在驱动程序上使用，而不能在工作程序上运行的代码中使用。 有关更多信息，请参阅SPARK-5063。

我已经玩了一下这个，当我尝试将类方法映射到类中的RDD时，它似乎可靠地发生。 我已经确认，如果我在类结构之外实现，映射函数可以正常工作，所以问题肯定与类有关。 有办法解决这个问题吗？

Answer 1

这里的问题比使用嵌套的RDD或在转换中执行Spark动作更微妙。 Spark不允许访问SparkContext内部操作或转换。

即使您没有显式访问它，它也会在闭包内被引用，并且必须被序列化并随身携带。 这意味着你的transformation方法引用了self ，它也保留了SparkContext ，因此也就是错误。

处理此问题的一种方法是使用静态方法：

class model(object):
    @staticmethod
    def transformation_function(row):
        row = row.split(',')
        return row[0]+row[1]

    def __init__(self):
        self.data = sc.textFile('some.csv')

    def run_model(self):
        self.data = self.data.map(model.transformation_function)

编辑 ：

如果您希望能够访问实例变量，可以尝试这样的事情：

class model(object):
    @staticmethod
    def transformation_function(a_model):
        delim = a_model.delim
        def _transformation_function(row):
            return row.split(delim)
        return _transformation_function

    def __init__(self):
        self.delim = ','
        self.data = sc.textFile('some.csv')

    def run_model(self):
        self.data = self.data.map(model.transformation_function(self))