Python rdd.first()不会给出错误,但rdd.collect()会给出错误
我在pyspark工作,有以下代码,我正在处理tweet,并使用用户id和文本制作RDD。下面是代码Python rdd.first()不会给出错误,但rdd.collect()会给出错误,python,apache-spark,pyspark,Python,Apache Spark,Pyspark,我在pyspark工作,有以下代码,我正在处理tweet,并使用用户id和文本制作RDD。下面是代码 """ # Construct an RDD of (user_id, text) here. """ import json def safe_parse(raw_json): try: json_object = json.loads(raw_json) if 'created_at' in json_object:
"""
# Construct an RDD of (user_id, text) here.
"""
import json
def safe_parse(raw_json):
try:
json_object = json.loads(raw_json)
if 'created_at' in json_object:
return json_object
else:
return;
except ValueError as error:
return;
def get_usr_txt (line):
tmp = safe_parse (line)
return ((tmp.get('user').get('id_str'),tmp.get('text')));
usr_txt = text_file.map(lambda line: get_usr_txt(line))
print (usr_txt.take(5))
并且输出看起来正常(如下所示)
然而,只要我这样做
print (usr_txt.count())
我得到一个如下的错误
Py4JJavaError Traceback (most recent call last)
<ipython-input-60-9dacaf2d41b5> in <module>()
8 usr_txt = text_file.map(lambda line: get_usr_txt(line))
9 #print (usr_txt.take(5))
---> 10 print (usr_txt.count())
11
/usr/local/spark/python/pyspark/rdd.py in count(self)
1054 3
1055 """
-> 1056 return self.mapPartitions(lambda i: [sum(1 for _ in i)]).sum()
1057
1058 def stats(self):
Py4JJavaError回溯(最近一次调用)
在()
8 usr_txt=text_file.map(lambda行:get_usr_txt(行))
9#打印(usr#u txt.take(5))
--->10打印(usr_txt.count())
11
/usr/local/spark/python/pyspark/rdd.py计数(self)
1054 3
1055 """
->1056返回self.mapPartitions(lambda i:[sum(1表示i中的u)]).sum()
1057
1058 def状态(自身):
我缺少什么?是RDD没有正确创建?还是有其他东西?我如何修复它?当解析的json行中没有创建的\u at元素或在解析过程中出现错误时,您已从
safe\u parse
方法返回了None
。从(tmp.get('user').get('id_str')、tmp.get('text'))
。这导致了错误的发生
解决方案是在get\u usr\u txt
方法中检查None
def get_usr_txt (line):
tmp = safe_parse(line)
if(tmp != None):
return ((tmp.get('user').get('id_str'),tmp.get('text')));
现在的问题是为什么print(usr\u txt.take(5))
显示结果,而print(usr\u txt.count())
导致错误
这是因为usr_txt.take(5)
只考虑了前五个RDD,而不考虑其他RDD,并且不必处理任何数据类型
def get_usr_txt (line):
tmp = safe_parse(line)
if(tmp != None):
return ((tmp.get('user').get('id_str'),tmp.get('text')));