[英]What is the equivalent to scala.util.Try in pyspark?
我有一个糟糕的HTTPD access_log,只想跳过“糟糕”的行。
在scala中,这很简单:
import scala.util.Try
val log = sc.textFile("access_log")
log.map(_.split(' ')).map(a => Try(a(8))).filter(_.isSuccess).map(_.get).map(code => (code,1)).reduceByKey(_ + _).collect()
对于python我通过使用“lambda”表示法明确定义函数来获得以下解决方案:
log = sc.textFile("access_log")
def wrapException(a):
try:
return a[8]
except:
return 'error'
log.map(lambda s : s.split(' ')).map(wrapException).filter(lambda s : s!='error').map(lambda code : (code,1)).reduceByKey(lambda acu,value : acu + value).collect()
在pyspark中有更好的方法(例如在Scala中)吗?
非常感谢!
更好是一个主观的术语,但你可以尝试一些方法。
在这种特殊情况下,您可以做的最简单的事情是避免任何例外情况。 您只需要一个flatMap
和一些切片:
log.flatMap(lambda s : s.split(' ')[8:9])
如您所见,它意味着不需要异常处理或后续filter
。
可以使用简单的包装器扩展以前的想法
def seq_try(f, *args, **kwargs): try: return [f(*args, **kwargs)] except: return []
和示例用法
from operator import div # FYI operator provides getitem as well. rdd = sc.parallelize([1, 2, 0, 3, 0, 5, "foo"]) rdd.flatMap(lambda x: seq_try(div, 1., x)).collect() ## [1.0, 0.5, 0.3333333333333333, 0.2]
最后更多OO方法:
import inspect as _inspect class _Try(object): pass class Failure(_Try): def __init__(self, e): if Exception not in _inspect.getmro(e.__class__): msg = "Invalid type for Failure: {0}" raise TypeError(msg.format(e.__class__)) self._e = e self.isSuccess = False self.isFailure = True def get(self): raise self._e def __repr__(self): return "Failure({0})".format(repr(self._e)) class Success(_Try): def __init__(self, v): self._v = v self.isSuccess = True self.isFailure = False def get(self): return self._v def __repr__(self): return "Success({0})".format(repr(self._v)) def Try(f, *args, **kwargs): try: return Success(f(*args, **kwargs)) except Exception as e: return Failure(e)
和示例用法:
tries = rdd.map(lambda x: Try(div, 1.0, x)) tries.collect() ## [Success(1.0), ## Success(0.5), ## Failure(ZeroDivisionError('float division by zero',)), ## Success(0.3333333333333333), ## Failure(ZeroDivisionError('float division by zero',)), ## Success(0.2), ## Failure(TypeError("unsupported operand type(s) for /: 'float' and 'str'",))] tries.filter(lambda x: x.isSuccess).map(lambda x: x.get()).collect() ## [1.0, 0.5, 0.3333333333333333, 0.2]
您甚至可以使用multipledispatch
模式匹配
from multipledispatch import dispatch from operator import getitem @dispatch(Success) def check(x): return "Another great success" @dispatch(Failure) def check(x): return "What a failure" a_list = [1, 2, 3] check(Try(getitem, a_list, 1)) ## 'Another great success' check(Try(getitem, a_list, 10)) ## 'What a failure'
首先,让我生成一些随机数据开始使用。
import random
number_of_rows = int(1e6)
line_error = "error line"
text = []
for i in range(number_of_rows):
choice = random.choice([1,2,3,4])
if choice == 1:
line = line_error
elif choice == 2:
line = "1 2 3 4 5 6 7 8 9_1"
elif choice == 3:
line = "1 2 3 4 5 6 7 8 9_2"
elif choice == 4:
line = "1 2 3 4 5 6 7 8 9_3"
text.append(line)
现在我有一个字符串text
看起来像
1 2 3 4 5 6 7 8 9_2
error line
1 2 3 4 5 6 7 8 9_3
1 2 3 4 5 6 7 8 9_2
1 2 3 4 5 6 7 8 9_3
1 2 3 4 5 6 7 8 9_1
error line
1 2 3 4 5 6 7 8 9_2
....
你的解决方案
def wrapException(a):
try:
return a[8]
except:
return 'error'
log.map(lambda s : s.split(' ')).map(wrapException).filter(lambda s : s!='error').map(lambda code : (code,1)).reduceByKey(lambda acu,value : acu + value).collect()
#[('9_3', 250885), ('9_1', 249307), ('9_2', 249772)]
这是我的解决方案:
from operator import add
def myfunction(l):
try:
return (l.split(' ')[8],1)
except:
return ('MYERROR', 1)
log.map(myfunction).reduceByKey(add).collect()
#[('9_3', 250885), ('9_1', 249307), ('MYERROR', 250036), ('9_2', 249772)]
评论:
(1)我强烈建议也计算带有“错误”的行,因为它不会增加太多的开销,也可以用于健全性检查,例如,所有的计数应该加起来总计的行数。 log,如果你过滤掉那些行,你就不知道那些是真正坏的行或你的编码逻辑出了什么问题。
(2)我将尝试将所有行级操作打包在一个函数中,以避免链接map
, filter
函数,因此它更具可读性。
(3)从性能的角度来看,我生成了一个1M记录的样本,我的代码在3秒内完成,你的代码在2秒内完成,由于数据太小而且我的集群非常强大,所以不是一个公平的比较,我建议你生成一个更大的文件(1e12?)并为你做一个基准测试。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.