Question

当我按照下面的udf分割字词时，

my_split = udf(lambda x: x.split(' '), ArrayType(StringType()))

words = lines.select(
    explode(
        my_split(lines.value)
    )
)

警告将继续显示：

WARN CachedKafkaConsumer：CachedKafkaConsumer未运行 UninterruptibleThread。当CachedKafkaConsumer的方法时，它可能会挂起由于KAFKA-1894而被打断

另一方面，当我通过pyspark.sql.functions.split将行分成单词时，一切都运行良好。

words = lines.select(
    explode(
        split(lines.value, ' ') 
    ) 
)

为什么会发生这种情况以及如何修复警告？

这是我试图在实践中执行的代码：

pattern = "(.+) message repeated (\\d) times: \\[ (.+)\\]"
prog = re.compile(pattern)


def _unfold(x):
    ret = []
    result = prog.match(x)
    if result:
        log = " ".join((result.group(1), result.group(3)))
        times = result.group(2)
        for _ in range(int(times)):
            ret.append(log)
    else:
        ret.append(x)

    return ret

_udf = udf(lambda x: _unfold(x), ArrayType(StringType()))
lines = lines.withColumn('value', explode(_udf(lines['value'])))

Answer 1

除了拒绝Python UDF *之外，您在代码中无法解决此问题。正如你可以在异常消息中看到的那样UninterruptibleThread是Kafka bug（KAFKA-1894）的一种解决方法，旨在防止无限循环，当中断KafkaConsumer时。

它不与PythonUDFRunner一起使用（在那里引入特殊情况可能没有意义）。

除非您遇到一些相关问题，否则我个人不会担心。您的Python代码永远不会直接与KafkaConsumer交互。如果您遇到任何问题，应该修复上游 - 在这种情况下，我建议创建一个JIRA ticket。

*您的unfold函数可以用SQL函数重写，但它将是一个黑客。将消息计数添加为整数：

from pyspark.sql.functions import concat_ws, col, expr, coalesce, lit, regexp_extract, when

p = "(.+) message repeated (\\d) times: \\[ (.+)\\]"

lines = spark.createDataFrame(
    ["asd message repeated 3 times: [ 12]", "some other message"], "string"
)

lines_with_count = lines.withColumn(
   "message_count", coalesce(regexp_extract("value", p, 2).cast("int"), lit(1)))

将其用于explode

exploded = lines_with_count.withColumn(
     "i", 
      expr("explode(split(repeat('1', message_count - 1),''))")
).drop("message_count", "i")

并提取：

exploded.withColumn(
    "value",
    when(
        col("value").rlike(p),
         concat_ws(" ", regexp_extract("value", p, 1), regexp_extract("value", p, 3))
    ).otherwise(col("value"))).show(4, False)


# +------------------+
# |value             |
# +------------------+
# |asd 12            |
# |asd 12            |
# |asd 12            |
# |some other message|
# +------------------+

UDF导致警告：CachedKafkaConsumer未在UninterruptibleThread中运行（KAFKA-1894）

1 个答案: