Question

我正在使用Python 3在PySpark中使用elasticsearch-py客户端，而我使用带有ES的analyze（）函数和RDD遇到了问题。特别是，我的RDD中的每条记录都是一串文本，我正在尝试分析它以获取令牌信息，但是当我尝试在Spark中的map函数中使用它时，我遇到了错误。

例如，这完全正常：

from elasticsearch import Elasticsearch
es = Elasticsearch()
t = 'the quick brown fox'
es.indices.analyze(text=t)['tokens'][0]

{'end_offset': 3,
'position': 1,
'start_offset': 0,
'token': 'the',
'type': '<ALPHANUM>'}

然而，当我尝试这个时：

trdd = sc.parallelize(['the quick brown fox'])
trdd.map(lambda x: es.indices.analyze(text=x)['tokens'][0]).collect()

我收到一条与酸洗有关的非常长的错误信息（这是结尾）：

(self, obj)    109if'recursion'in.[0]:    110="""Could not pickle object as excessively deep recursion required."""--> 111                  picklePicklingErrormsg

  save_memoryviewself obj

: Could not pickle object as excessively deep recursion required.

raise.()    112    113def(,):PicklingError

我不确定错误的含义。难道我做错了什么？有没有办法将ES分析功能映射到RDD的记录？

编辑：我在应用elasticsearch-py的其他函数时也会遇到这种情况（例如，es.termvector（））。

Answer 1

基本上Elasticsearch客户端不可序列化。所以你需要做的是为每个分区创建一个客户端实例，并处理它们：

def get_tokens(part): es = Elasticsearch() yield [es.indices.analyze(text=x)['tokens'][0] for x in part] rdd = sc.parallelize([['the quick brown fox'], ['brown quick dog']], numSlices=2) rdd.mapPartitions(lambda p: get_tokens(p)).collect()

应该给出以下结果： Out[17]: [[{u'end_offset': 3, u'position': 1, u'start_offset': 0, u'token': u'the', u'type': u'<ALPHANUM>'}], [{u'end_offset': 5, u'position': 1, u'start_offset': 0, u'token': u'brown', u'type': u'<ALPHANUM>'}]]

请注意，对于大型数据集，这将是非常低效的，因为它涉及对数据集中每个元素的ES调用。

Elasticsearch analyze（）与Python中的Spark不兼容？

1 个答案: