[英]Map only jobs in spark (vs hadoop streaming)
我有一个功能process_line
从输入格式映射到输出格式
有些行已损坏,需要忽略。
我已成功将此代码作为python流作业运行:
for input_line in sys.stdin:
try:
output_line=process_line(input_line.strip())
print (output_line)
except:
sys.stderr.write('Error with line: {l}\n'.format(l=input_line))
continue
如何在pyspark中运行等效代码? 这是我尝试的:
input = sc.textFile(input_dir, 1)
output=lines.map(process_line)
output.saveAsTextFile(output_dir)
如何跟踪损坏的线路并统计其计数?
您试图将文本文件仅读取到一个分区,这可能导致您的作业运行缓慢,因为您基本上放弃了并行性。
尝试这样做:
input = sc.textFile(input_dir)
output = lines.map(process_line)
output.saveAsTextFile(output_dir)
至于损坏的行,可以在process_line
函数中使用try-except机制,并可以将有问题的行写入某些日志文件,或者尝试执行其他逻辑。
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.