我使用PySpark和spark-submit来读取和操作带有标题的CSV文件。
第一个操作与截断某些列,转换为整数类型等有关。
主要操作是使用groupBy
来计算列的统计度量,基于另一列值。
当我在 1GB文件上运行我的脚本时,它完美无缺!
问题是,当在 20GB文件上运行时,由于groupBy
中的错误,我无法理解它失败。
两个文件具有相同的格式和完全相同的列,例如:
TRANSACTION_URL START_TIME END_TIME SIZE FLAG COL6 COL7 ...
www.google.com 20170113093210 20170113093210 150 1 ... ...
www.cnet.com 20170113114510 20170113093210 150 2 ... ...
只有第一个文件包含X个事务,第二个文件包含更多的内容(20GB记录)。
错误日志:(错误从第32行开始)
我的剧本:
import datetime
from pyspark import SparkContext
from pyspark.sql import SQLContext
from pyspark.sql.types import *
from pyspark.sql.functions import mean, stddev, regexp_replace, col
sc = SparkContext('local[*]')
sc.setLogLevel("ERROR")
sqlContext = SQLContext(sc)
print ('** Script Started: %s **' % str(datetime.datetime.now())) # Analysis Start Time
print "Loading file... ",
log_df = sqlContext.read.format('csv').\
options(header='true', inferschema='true', delimiter='\t', dateFormat='yyyyMMddHHmmss').\
load("hdfs:/user/BGU/logs/01_transactions.log") # Load data file
print "Done!\nAdjusting data to fit our needs... ",
'''
Manipulate columns to fit our needs:
'''
size_col = 'DOWNSTREAM_SIZE'
flag_col = 'CONGESTION_FLAG'
url_col = 'TRANSACTION_URL'
log_df = log_df.filter(~log_df[url_col].rlike("(SNI.*)")).\
withColumn(flag_col, regexp_replace(col(flag_col), "(;.*)", "").
cast(IntegerType()))
log_df = log_df.withColumn(size_col, log_df[size_col].cast(IntegerType()))
print "done!\n\n** %s Statistical Measures **\n" % size_col
'''
Calculations:
DOWNSTREAM_SIZE statistics:
In accordance to CONGESTION_FLAG value
'''
log_df.cache().groupBy(flag_col).agg(mean(size_col).alias("Mean"), stddev(size_col).alias("Stddev")).\
withColumn("Variance", pow(col("Stddev"), 2)).show(3, False)
print ('** Script Ended: %s **' % str(datetime.datetime.now())) # Analysis End Time
如果需要更多信息,请告诉我,我会提供。
由于
答案 0 :(得分:0)
错误的原因有些不好'记录,我想。
将mode='DROPMALFORMED'
添加到CSV解析选项,
问题已解决,脚本完成且没有错误。