无法pickle _thread.lock 对象Pyspark 向elasticseach 发送请求

Question

我正在使用 pyspark 流从 tweepy 收集数据。完成所有设置后，我通过 elasticsearch.index() 将 dict(json) 发送到 elasticsearch。但是我收到“can't pickle_thread.lock objects”错误和其他 63 个错误。回溯日志太长，无法在我的控制台中显示！

设计是我获得一个 json/dict 类型的文件，将其转换为 DStream，通过在 map() 函数中调用 TextBlob 向其添加另一个功能名称“情绪”。一切正常，但是当我添加另一个映射函数来调用 elasticsearch.index() 时，出现错误。

下面是我的控制台中超长错误日志的一部分。

Blockquote 在处理上述异常的过程中，发生了另一个异常：Traceback（最近一次调用最后一次）：文件“/Users/ayane/anaconda/lib/python3.6/site-packages/pyspark/streaming/util.py”，第105行, 在转储 func.func, func.rdd_wrap_func, func.deserializers)))) 文件“/Users/ayane/anaconda/lib/python3.6/site-packages/pyspark/serializers.py”，第 460 行，在转储中返回 cloudpickle .dumps(obj, 2) File "/Users/ayane/anaconda/lib/python3.6/site-packages/pyspark/cloudpickle.py", line 704, in dumps cp.dump(obj) File "/Users/ayane /anaconda/lib/python3.6/site-packages/pyspark/cloudpickle.py", line 162, in dump raise pickle.PicklingError(msg) _pickle.PicklingError: 无法序列化对象: TypeError: 不能pickle _thread.lock org.apache.spark 中的对象。stream.api.python.PythonTransformFunctionSerializer$.serialize(PythonDStream.scala:144) 在 org.apache.spark.streaming.api.python.TransformFunction$$anonfun$writeObject$1.apply$mcV$sp(PythonDStream.scala:101)在 org.apache.spark.streaming.api.python.TransformFunction$$anonfun$writeObject$1.apply(PythonDStream.scala:100) 在 org.apache.spark.streaming.api.python.TransformFunction$$anonfun$writeObject$1。 apply(PythonDStream.scala:100) 在 org.apache.spark.util.Utils$.tryOrIOException(Utils.scala:1303) ... 63 更多apply(PythonDStream.scala:100) 在 org.apache.spark.streaming.api.python.TransformFunction$$anonfun$writeObject$1.apply(PythonDStream.scala:100) 在 org.apache.spark.util.Utils$.tryOrIOException (Utils.scala:1303) ... 63 更多apply(PythonDStream.scala:100) 在 org.apache.spark.streaming.api.python.TransformFunction$$anonfun$writeObject$1.apply(PythonDStream.scala:100) 在 org.apache.spark.util.Utils$.tryOrIOException (Utils.scala:1303) ... 63 更多

我的部分代码如下所示：

def sendPut(doc):
  res = es.index(index = "tweetrepository", doc_type= 'tweet', body = doc)
  return doc
myJson = dataStream.map(decodeJson).map(addSentiment).map(sendPut)
myJson.pprint()

这是 decodeJson 函数：

def decodeJson(str):
  return json.loads(str)

这是 addSentiment 函数：

def addSentiment(dic):
  dic['Sentiment'] = get_tweet_sentiment(dic['Text'])
  return dic

这是 get_tweet_sentiment 函数：

def get_tweet_sentiment(tweet):
  analysis = TextBlob(tweet)
  if analysis.sentiment.polarity > 0:
    return 'positive'
  elif analysis.sentiment.polarity == 0:
    return 'neutral'
  else:
    return 'negative'

Answer 1

一般来说，连接对象是不可序列化的，因此不能通过闭包传递。你必须使用foreachPartition模式：

def sendPut(docs):
    es = ... # Initialize es object
    for doc in docs
        es.index(index = "tweetrepository", doc_type= 'tweet', body = doc)

myJson = (dataStream
    .map(decodeJson)
    .map(addSentiment)
    # Here you need an action.
    # `map` is lazy, and `pprint` doesn't guarantee complete execution
    .foreachPartition(sendPut))

如果你想退货，请使用mapPartitions：

def sendPut(docs):
    es = ... # Initialize es object
    for doc in docs
        yield es.index(index = "tweetrepository", doc_type= 'tweet', body = doc)


myJson = (dataStream
   .map(decodeJson)
   .map(addSentiment)
   .mapPartitions(sendPut))

但您需要额外的操作来强制执行。