在pyspark shell中运行的过滤器无法提交火花

Question

  

    

      

df_filter = df.filter（〜（col（'word'）。isin（stop_words_list）））

             

df_filter.count（）

    

  

27781

  

    

      

df.count（）

    

  

31240

尽管使用spark-submit向Spark集群提交相同的代码时，过滤器功能无法正常运行，但stop_words_list中具有col（'word'）的行并未被过滤。 为什么会这样？

Answer 1

修剪col（'word'）后，过滤器现在开始工作。     df_filter = df.filter(~(trim(col("word")).isin(stop_words_list))) 我仍然不知道为什么它可以在pyspark shell中工作，但不能提交火花。它们唯一的区别是：在pyspark shell中，我使用spark.read.csv（）读取文件，而在spark-submit中，我使用了以下方法。     from pyspark.sql import SparkSession     from pyspark.sql import SQLContext     session = pyspark.sql.SparkSession.builder.appName('test').getOrCreate()     sqlContext = SQLContext(session)     df = sqlContext.read.format("com.databricks.spark.csv").option('header','true').load() 我不确定两种不同的读取方法是否会导致差异。熟悉此事的人可以澄清。

Answer 2

尝试使用双引号而不是单引号。

from pyspark.sql.functions import col
df_filter = df.filter(~(col("word").isin(stop_words_list))).count()