Dstream 上的 Pyspark 过滤器操作

Question

我一直在尝试扩展网络字数，以便能够根据某些关键字过滤行

我正在使用 spark 1.6.2

from __future__ import print_function

import sys

from pyspark import SparkContext
from pyspark.streaming import StreamingContext

if __name__ == "__main__":
    if len(sys.argv) != 3:
        print("Usage: network_wordcount.py <hostname> <port>", file=sys.stderr)
        exit(-1)
    sc = SparkContext(appName="PythonStreamingNetworkWordCount")
    ssc = StreamingContext(sc, 5)

    lines = ssc.socketTextStream(sys.argv[1], int(sys.argv[2]))
    counts = lines.flatMap(lambda line: line.split(" ")).filter("ERROR")
    counts.pprint()

    ssc.start()
    ssc.awaitTermination()

我已经尝试了所有的变化，

我几乎总是得到错误，我无法应用类似的功能

pprint/show/take/collect on TransformedDStream

。我在 Dstream 行上使用了带有 foreachRDD 的转换，并带有一个函数来检查使用本机 python 字符串方法，这也失败了（实际上，如果我在程序中的任何地方使用 print，spark-submit 就会出现 - 没有报告错误。

我想要的是能够过滤传入的 Dstreams 关键字如“错误”| “警告”等并将其输出到标准输出或标准错误。

Answer 1

我想要的是能够过滤传入的 Dstreams 关键字如“错误”| “WARNING”等并输出到stdout或stderr。

那么你不想打电话给flatMap，因为这会将你的行分成单独的标记。相反，您可以将该调用替换为对filter 的调用，以检查该行是否包含"error"：

lines = ssc.socketTextStream(sys.argv[1], int(sys.argv[2]))
errors = lines.filter(lambda l: "error" in l.lower())
errors.pprint()