Question

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）

pastebin link for error log

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

Answer 1

错误的原因有些不好＆＃39;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。

PySpark脚本成功获得1GB文件，20GB文件失败 - java.lang.NullPointerException

1 个答案: