我有一个函数 process_line
从输入格式Map到输出格式
有些行已损坏,需要忽略。
我成功地将此代码作为python流式处理作业运行:
for input_line in sys.stdin:
try:
output_line=process_line(input_line.strip())
print (output_line)
except:
sys.stderr.write('Error with line: {l}\n'.format(l=input_line))
continue
如何在pyspark中运行等效代码?这就是我所尝试的:
input = sc.textFile(input_dir, 1)
output=lines.map(process_line)
output.saveAsTextFile(output_dir)
如何跟踪损坏的行并对其计数进行统计?
1条答案
按热度按时间oyjwcjzk1#
您试图只将文本文件读取到一个分区,这可能会导致作业运行缓慢,因为您基本上放弃了并行性。
尝试这样做:
对于损坏的行,可以使用try-except机制
process_line
函数,并可能将有问题的行写入某个日志文件,或者尝试执行其他逻辑。