PySpark：在“NoneType”对象上过滤掉 RDD 元素失败是不可迭代的

Question

我想filter 输出字段“状态”不等于“确定”的 RDD 元素。我从 HDFS 上的一组 CSV 文件创建我的 RDD，然后在尝试 filter 之前使用map 获得我想要的结构：

import csv, StringIO    

files = "/hdfs_path/*.csv"

fields = ["time", "status"]

dial = "excel"

default = {'status': 'OK', 'time': '2014-01-01  00:00:00'}

def loadRecord(line, fieldnames, dialect):
    input = StringIO.StringIO(line)
    reader = csv.DictReader(input, fieldnames = fieldnames, dialect = dialect)
    try:
        line = reader.next()
        if line is None:
            return default
        else:
            return line
    except:
        return default

harmonics = sc.textFile(files) \
              .map(lambda x: loadRecord(x, fields, dial)) \
              .filter(lambda x: "OK" not in x['status'])

我可以对这个 RDD 做其他事情——例如另一个map 到get 仅某些字段等。但是，当我使用filter 运行我的代码时，其中一个任务总是失败，并在我的filter lambda 函数中出现异常：

'NoneType object is not iterable'

我认为这意味着filter lambda 正在接收None，因此我将代码添加到loadRecord 以避免返回None。但是，我仍然遇到同样的错误。它确实适用于小样本数据集，但我的实际数据足够大，我不确定如何检测它的哪些部分可能导致问题。

任何意见表示赞赏！

Answer 1

首先，将map(lambda x: loadRecord(x, fields, dial)) 替换为map(lambda x: (x, loadRecord(x, fields, dial))) - 这样您既可以保存原始记录，也可以保存已解析的记录。

其次，将filter() 调用替换为flatMap(test_function) 并定义test_function 测试输入的方式，如果第二个传递的参数为None（解析记录），则返回第一个。

这样，您将获得导致问题的输入行，并在本地测试您的脚本。一般来说，我会在loadRecord 函数的第一行添加一行global default

Answer 2

以0x0FFF 的回答为基础，我能够运行我的代码。我仍然没有看到违规文件的违规行，但我比以前更接近了。这是我所做的，从我的问题中的代码开始：

def checkNone(x):
    try:
        return "OK" not in x['status']
    except:
        return True

harmonics = sc.textFile(files) \
              .map(lambda x: loadRecord(x, fields, dial)) \
              .filter(lambda x: checkNone(x))