Question

我有一个糟糕的HTTPD access_log，只想跳过＆＃34;糟糕的＆＃34;线。

在scala中，这很简单：

import scala.util.Try

val log = sc.textFile("access_log")

log.map(_.split(' ')).map(a => Try(a(8))).filter(_.isSuccess).map(_.get).map(code => (code,1)).reduceByKey(_ + _).collect()

对于python我通过使用＆＃34; lambda＆＃34;显式定义一个函数来获得以下解决方案。符号：

log = sc.textFile("access_log")

def wrapException(a):
    try:
        return a[8]
    except:
        return 'error'

log.map(lambda s : s.split(' ')).map(wrapException).filter(lambda s : s!='error').map(lambda code : (code,1)).reduceByKey(lambda acu,value : acu + value).collect()

在pyspark中有没有更好的方法（例如在Scala中）？

非常感谢！

Answer 1

更好是一个主观的术语，但你可以尝试一些方法。

在这种特殊情况下，您可以做的最简单的事情是避免任何例外情况。您所需要的只是flatMap和一些切片：
```
log.flatMap(lambda s : s.split(' ')[8:9])
```
如您所见，这意味着无需进行异常处理或后续filter。

可以使用简单的包装器扩展以前的想法

def seq_try(f, *args, **kwargs):
    try:
        return [f(*args, **kwargs)]
    except:
        return []

和示例用法

from operator import div # FYI operator provides getitem as well.

rdd = sc.parallelize([1, 2, 0, 3, 0, 5, "foo"])

rdd.flatMap(lambda x: seq_try(div, 1., x)).collect()
## [1.0, 0.5, 0.3333333333333333, 0.2]

最后更多OO方法：

import inspect as _inspect

class _Try(object): pass    

class Failure(_Try):
    def __init__(self, e):
        if Exception not in _inspect.getmro(e.__class__):
            msg = "Invalid type for Failure: {0}"
            raise TypeError(msg.format(e.__class__))
        self._e = e
        self.isSuccess =  False
        self.isFailure = True

    def get(self): raise self._e

    def __repr__(self):
        return "Failure({0})".format(repr(self._e))

class Success(_Try):
    def __init__(self, v):
        self._v = v
        self.isSuccess = True
        self.isFailure = False

    def get(self): return self._v

    def __repr__(self):
        return "Success({0})".format(repr(self._v))

def Try(f, *args, **kwargs):
    try:
        return Success(f(*args, **kwargs))
    except Exception as e:
        return Failure(e)

和示例用法：

tries = rdd.map(lambda x: Try(div, 1.0, x))
tries.collect()
## [Success(1.0),
##  Success(0.5),
##  Failure(ZeroDivisionError('float division by zero',)),
##  Success(0.3333333333333333),
##  Failure(ZeroDivisionError('float division by zero',)),
##  Success(0.2),
##  Failure(TypeError("unsupported operand type(s) for /: 'float' and 'str'",))]

tries.filter(lambda x: x.isSuccess).map(lambda x: x.get()).collect()
## [1.0, 0.5, 0.3333333333333333, 0.2]

您甚至可以使用与multipledispatch

匹配的模式

from multipledispatch import dispatch
from operator import getitem

@dispatch(Success)
def check(x): return "Another great success"

@dispatch(Failure)
def check(x): return "What a failure"

a_list = [1, 2, 3]

check(Try(getitem, a_list, 1))
## 'Another great success'

check(Try(getitem, a_list, 10)) 
## 'What a failure'

如果您喜欢这种方法，我会将更完整的实施推广到GitHub和pypi。

Answer 2

首先，让我生成一些随机数据开始使用。

import random
number_of_rows = int(1e6)
line_error = "error line"
text = []
for i in range(number_of_rows):
    choice = random.choice([1,2,3,4])
    if choice == 1:
        line = line_error
    elif choice == 2:
        line = "1 2 3 4 5 6 7 8 9_1"
    elif choice == 3:
        line = "1 2 3 4 5 6 7 8 9_2"
    elif choice == 4:
        line = "1 2 3 4 5 6 7 8 9_3"
    text.append(line)

现在我有一个字符串text看起来像

  1 2 3 4 5 6 7 8 9_2
  error line
  1 2 3 4 5 6 7 8 9_3
  1 2 3 4 5 6 7 8 9_2
  1 2 3 4 5 6 7 8 9_3
  1 2 3 4 5 6 7 8 9_1
  error line
  1 2 3 4 5 6 7 8 9_2
  ....

您的解决方案：

def wrapException(a):
    try:
        return a[8]
    except:
        return 'error'

log.map(lambda s : s.split(' ')).map(wrapException).filter(lambda s : s!='error').map(lambda code : (code,1)).reduceByKey(lambda acu,value : acu + value).collect()

#[('9_3', 250885), ('9_1', 249307), ('9_2', 249772)]

这是我的解决方案：

from operator import add
def myfunction(l):
    try:
        return (l.split(' ')[8],1)
    except: 
        return ('MYERROR', 1) 
log.map(myfunction).reduceByKey(add).collect()
#[('9_3', 250885), ('9_1', 249307), ('MYERROR', 250036), ('9_2', 249772)]

评论：

（1）我强烈建议您使用＆＃34;错误＆＃34;来计算线条。因为它不会增加太多的开销，也可以用于健全性检查，例如，所有的计数应该累加到日志中的总行数，如果你过滤掉那些行，你没有想法那些是真正的坏线或你的编码逻辑出了问题。

（2）我将尝试将所有行级操作打包在一个函数中，以避免链接map，filter函数，因此它更具可读性。

（3）从性能角度来看，我生成了1M记录的样本，我的代码在3秒内完成，你的代码在2秒内完成，由于数据太小而且我的集群非常强大，所以这不是一个公平的比较，我会建议你生成一个更大的文件（1e12？）并为你做一个基准测试。

什么相当于pyspark中的scala.util.Try？

2 个答案: