元素对象的Spark Python RDD？

我想对一组XML文档进行一些交互式探索。我尝试使用lxml解析文档，并使用find、findall和xpath方法进行查询。但是，当我尝试创建元素对象的RDD时，PySpark会受阻：

from lxml import etree
from lxml.etree import XMLSyntaxError
def get_root(xml):
  xml_bytes = bytes(bytearray(xml, encoding = 'utf-8'))
  try:
    return [etree.XML(xml_bytes)]
  except XMLSyntaxError:
    return []

docs = [
    "<doc><tag name='hoo'>hah</tag><tag name='wah'>zoo</tag></doc>"
  , "<doc><tag name='hoo'>yah</tag><tag name='wah'>woo</tag></doc>"
]
roots = [get_root(x)[0] for x in docs]
roots
  [<Element doc at 0x3b2280>, <Element doc at 0x3b2140>]
docs_rdd = sc.parallelize(docs)
roots_rdd = docs_rdd.flatMap(lambda d: get_root(d))
roots_rdd.count()
  2
roots_rdd.first()
  Traceback (most recent call last):
    File "<stdin>", line 1, in <module>
    File "lxml.etree.pyx", line 1033, in lxml.etree._Element.__repr__ (src/lxml/lxml.etree.c:42268)
    File "lxml.etree.pyx", line 881, in lxml.etree._Element.tag.__get__ (src/lxml/lxml.etree.c:40855)
    File "apihelpers.pxi", line 15, in lxml.etree._assertValidNode  (src/lxml/lxml.etree.c:12875)
  AssertionError: invalid Element proxy at 62728864

从lxml导入etree
从lxml.etree导入XMLSyntaxError
def get_根目录（xml）：
xml_bytes=bytes（字节数组（xml，编码='utf-8'））
尝试：
返回[etree.XML（XML_字节）]
除XMLSyntaxError外：
返回[]
文件=[
“哈动物园”
“耶和华”
]
roots=[get_root（x）[0]表示文档中的x]
根
[, ]
docs\u rdd=sc.parallelize（docs）
roots\u rdd=docs\u rdd.flatMap（lambda d:get\u root（d））
根数
2.
根\ rdd.first（）
回溯（最近一次呼叫最后一次）：
文件“”，第1行，在
lxml.etree.\u元素中的文件“lxml.etree.pyx”，第1033行（src/lxml/lxml.etree.c:42268）
文件“lxml.etree.pyx”，第881行，位于lxml.etree.\u Element.tag.\uuuuu get\uuuu（src/lxml/lxml.etree.c:40855）
文件“apihelpers.pxi”，第15行，在lxml.etree._assertValidNode（src/lxml/lxml.etree.c:12875）中
AssertionError:位于62728864的元素代理无效

有人能帮我理解这里发生了什么吗

Python2.7.x或3.5.x，Spark 1.6.x，lxml与pip或pip3一起安装

---

提前谢谢

lxml

对象是不可序列化的，不能在执行器和驱动程序之间传递，也不能洗牌。无需使用Spark即可轻松复制：

from lxml import etree
import pickle

pickle.loads(pickle.dumps(etree.XML("<doc>foo</doc>")))

您仍然可以使用

lxml

解析和获取可序列化的Python对象：

from operator import attrgetter

docs_rdd.flatMap(get_root).flatMap(lambda x: x).map(attrgetter("text")).collect()

['hah'，zoo'，'yah'，'woo']