Spark - 如何正确处理 RDD.map() 方法中的错误情况？

Question

我正在尝试使用 Spark RDD 进行一些文本处理。

输入文件的格式为：

2015-05-20T18:30 <some_url>/?<key1>=<value1>&<key2>=<value2>&...&<keyn>=<valuen>

我想从文本中提取一些字段并将它们转换为 CSV 格式，例如：

<value1>,<value5>,<valuek>,<valuen>

以下代码是我如何做到这一点的：

val lines = sc.textFile(s"s3n://${MY_BUCKET}/${MY_FOLDER}/test/*.gz")
val records = lines.map { line =>
    val mp = line.split("&")
                 .map(_.split("="))
                 .filter(_.length >= 2)
                 .map(t => (t(0), t(1))).toMap

    (mp.get("key1"), mp.get("key5"), mp.get("keyk"), mp.get("keyn"))
}

我想知道，如果输入文本的某些行格式错误或无效，那么map() 函数无法返回有效值。这在文本处理中应该很常见，处理这个问题的最佳实践是什么？

Answer 1

为了管理此错误，您可以在 flatMap 操作中使用 scala 的类 Try，在代码中：

    val lines = sc.textFile(s"s3n://${MY_BUCKET}/${MY_FOLDER}/test/*.gz")
    val records = lines.flatMap (line =>
        Try{
          val mp = line.split("&")
              .map(_.split("="))
              .filter(_.length >= 2)
              .map(t => (t(0), t(1))).toMap

          (mp.get("key1"), mp.get("key5"), mp.get("keyk"), mp.get("keyn"))
      } match {
        case Success(map) => Seq(map)
        case _ => Seq()
    })

有了这个，你只有“好的”，但如果你想要两者（错误和好的），我建议使用返回 Scala 的 map 函数，然后使用 Spark 过滤器，在代码中：

    val lines = sc.textFile(s"s3n://${MY_BUCKET}/${MY_FOLDER}/test/*.gz")
    val goodBadRecords = lines.map (line =>
        Try{
          val mp = line.split("&")
              .map(_.split("="))
              .filter(_.length >= 2)
              .map(t => (t(0), t(1))).toMap

          (mp.get("key1"), mp.get("key5"), mp.get("keyk"), mp.get("keyn"))
      } match {
        case Success(map) => Right(map)
        case Failure(e) => Left(e)
    })
    val records = goodBadRecords.filter(_.isRight)
    val errors = goodBadRecords.filter(_.isLeft)

希望对你有用