pyspark 中的转换 DStream 在调用 pprint 时出错

Question

我正在通过 PySpark 探索 Spark Streaming，当我尝试将transform函数与take.

我可以成功地使用sortBy过DStream孔transform和pprint结果。

author_counts_sorted_dstream = author_counts_dstream.transform\
  (lambda foo:foo\
   .sortBy(lambda x:x[0].lower())\
   .sortBy(lambda x:x[1],ascending=False))
author_counts_sorted_dstream.pprint()

但是如果我使用take以下相同的模式并尝试pprint它：

top_five = author_counts_sorted_dstream.transform\
  (lambda rdd:rdd.take(5))
top_five.pprint()

工作失败

Py4JJavaError: An error occurred while calling o25.awaitTermination.
: org.apache.spark.SparkException: An exception was raised by Python:
Traceback (most recent call last):
  File "/usr/local/spark/python/pyspark/streaming/util.py", line 67, in call
    return r._jrdd
AttributeError: 'list' object has no attribute '_jrdd'

您可以在此处查看笔记本中的完整代码和输出。

我究竟做错了什么？

Answer 1

您传递给的函数transform应该从 转换RDD为RDD。如果您使用操作，例如take，则必须将结果转换回RDD：

sc: SparkContext = ...

author_counts_sorted_dstream.transform(
  lambda rdd: sc.parallelize(rdd.take(5))
)

相比之下，RDD.sortBy使用的是转换（返回 RDD），因此不需要进一步的并行化。

附带说明以下功能：

lambda foo: foo \
    .sortBy(lambda x:x[0].lower()) \
    .sortBy(lambda x:x[1], ascending=False)

没有多大意义。请记住，Spark 按 shuffle 排序，因此它不稳定。如果要按多个字段排序，则应使用复合键，例如：

lambda x: (x[0].lower(), -x[1])