PySpark UDF，输入端只有 None 值答案

【问题标题】：PySpark UDF, only None values at the inputPySpark UDF，输入端只有 None 值
【发布时间】：2020-05-05 18:50:27
【问题描述】：

我的 Kafka 流应用程序的 UDF 功能出现问题。每次调用 UDF 函数时，输入上只有 None 值而不是有效的列值。类型错误然后引发，因为应用程序期望 str，而不是 None。

UDF函数定义：

@udf(returnType=StringType())
def get_asn(ip_addr):
    from fm_kafka2parquet.asn_lookup import AsnLookup

    result = AsnLookup\
        .get_instance(ASN_DB_PATH)\
        .get().lookup(ip_addr)[0]  # first record from tuple is ASN number
    if result is None:
        return "n/a"
    return result

UDF 函数调用：

  # data frame for netflow reading
  df = spark \
      .readStream \
      .format("kafka") \
      .option("kafka.bootstrap.servers", CONFIG_KAFKA_BOOTSTRAP) \
      .option("subscribe", CONFIG_KAFKA_TOPIC) \
      .option("startingOffsets", "latest") \
      .load() \
      .selectExpr("CAST(value AS STRING)") \
      .withColumn("net", from_json("value", Structures.get_ipfix_structure())) \
      .select("net.*")

  # remove ipfix prefix in case of ipfixv1 collector
  temp_list = []
  for c in df.columns:
      new_name = c.replace('ipfix.', '')
      temp_list.append(new_name)
  df = df.toDF(*temp_list)

  # enrichment
  edf = df \
      .withColumn("sourceAS", get_asn('sourceIPv4Address')) \
      .withColumn("destinationAS", get_asn('destinationIPv4Address'))

一切都以 err 结尾，这是由 get_asn UDF 函数使用的 pyasn 库引发的：

TypeError: search_best() argument 1 must be str, not None

【问题讨论】：

标签： python apache-spark pyspark user-defined-functions cloudera

【解决方案1】：

尝试使用它，如下所述。 .withColumn("sourceAS", get_asn(F.col('sourceIPv4Address'))

【讨论】：

嗨 Prateek，如果您的意思是 import pyspark.sql.functions as F ... .withColumn("sourceAS", get_asn(F.col('sourceIPv4Address ')))。我试过但没有成功，UDF函数输入仍然只有None

【解决方案2】：

而且，这看起来很可疑。

# remove ipfix prefix in case of ipfixv1 collector
  temp_list = []
  for c in df.columns:
      new_name = c.replace('ipfix.', '')
      temp_list.append(new_name)
  df = df.toDF(*temp_list)

您正在更改列名，然后选择它们，但新的列名不在数据框中，对吧？因此，它必须返回空数据框。

如果要重命名列，请使用 -

df = df.withColumnRenamed(c, c.replace('ipfix.', ''))

有关如何在 pyspark 中清除列名的详细信息，请参阅此 - https://www.youtube.com/watch?v=vAHPAP9Oagc&t=1s

【讨论】：

我也尝试了 df.withColumnRenamed - 没有成功。现在我怀疑 Cloudera 平台，因为在我的本地环境中一切正常。