PySpark：PicklingError：无法序列化对象：TypeError：无法pickle CompiledFFI 对象

Question

我是 PySpark 环境的新手，在尝试使用加密模块加密 RDD 中的数据时遇到错误。这是代码：

from pyspark.sql import SparkSession
spark = SparkSession.builder.appName('encrypt').getOrCreate()

df = spark.read.csv('test.csv', inferSchema = True, header = True)
df.show()
df.printSchema()

from cryptography.fernet import Fernet
key = Fernet.generate_key()
f = Fernet(key)

dfRDD = df.rdd
print(dfRDD)
mappedRDD = dfRDD.map(lambda value: (value[0], str(f.encrypt(str.encode(value[1]))), value[2] * 100))
data = mappedRDD.toDF()
data.show()

一切工作，当然很好，直到我试图映射value[1]用str(f.encrypt(str.encode(value[1])))。我收到以下错误：

PicklingError：无法序列化对象：TypeError：无法pickle CompiledFFI对象

我还没有看到太多资源提到这个错误，我想看看其他人是否遇到过它（或者你是否通过 PySpark 有推荐的列加密方法）。

Answer 1

推荐的列加密方法

您可以考虑 Hive 内置加密（HIVE-5207、HIVE-6329），但目前它相当有限（HIVE-7934）。

您当前的代码不起作用，因为Fernet对象不可序列化。您可以通过仅分发密钥来使其工作：

def f(value, key=key): 
    return value[0], str(Fernet(key).encrypt(str.encode(value[1]))), value[2] * 100

mappedRDD = dfRDD.map(f)

或者

def g(values, key=key):
    f = Fernet(key)
    for value in values:
        yield value[0], str(f.encrypt(str.encode(value[1]))), value[2] * 100

mappedRDD = dfRDD.mapPartitions(g)