如何在 Spark Dataframe 中存储 Python 字节串

Question

我在看一个谜。我在 RDD 中有一堆长文档可用作 Python 字节串 (b"I'm a byte string")。现在我将此 RDD 转换为 DataFrame 以将其加入另一个 DataFrame。我是这样做的：

Data_RDD = Paths_RDD.map(open_paths).flatMap(split_files)

Data_schema = StructType([
    StructField("URI", StringType(), True),
    StructField("Content", StringType(), True),
])

Data_DF = sqlContext.createDataFrame(Data_RDD, schema=Data_schema)

print(Data_DF.show(5))

+--------------------+-----------+
|                 URI|    Content|
+--------------------+-----------+
|http://01storytel...|[B@10628e42|
|http://05yxgs.com...|[B@36699775|
|http://1.lhcmaima...|[B@4e569e3b|
|http://100100.ove...|[B@18ae5bab|
|http://1015theriv...|[B@5f044435|
+--------------------+-----------+
only showing top 5 rows

这些简短的"[B@10628e42" 字符串对我来说似乎毫无用处，可能是某种指针。字节串在 RDD 中仍然是“完整的”，因为我仍然可以访问它们。所以在从 RDD 到DataFrame 的转换中，问题就出现了。现在我尝试将字节串存储在其他类型的字段中，即ByteType() 和BinaryType()。两者都不起作用，因为这些错误消息不接受字节字符串：

TypeError: ByteType can not accept object b'some string' in type <class 'bytes'>
TypeError: BinaryType can not accept object b'some string' in type <class 'bytes'>

但它变得更加奇怪。当我设置一个小规模实验时：

ByteStrings = [b'one',b'two',b'three']
rdd_ByteStrings = sc.parallelize(ByteStrings)
print(rdd_ByteStrings.take(3))

DF2_schema = StructType([
    StructField("ByteString", StringType(), True),
])
DF_ByteStrings = sqlContext.createDataFrame(rdd_ByteStrings,schema=DF2_schema)

print(DF_ByteStrings.show())

在 StringType 列中也不允许使用小字节串。当我尝试运行它时，我收到以下错误消息：

StructType can not accept object b'one' in type <class 'bytes'>

当我尝试让 spark 推断类型时，它也会失败并显示以下消息：

TypeError: Can not infer schema for type: <class 'bytes'>

所以任何想法我可以如何将字节串存储在 DataFrame 中而不是 .decode() 它们。这是我只有在将两个DataFrames 连接在一起后才能做到的事情，因为另一个拥有解码信息。

我使用 Python 3.5 和 Spark 2.0.1

提前致谢！

Answer 1

这不是一个谜。一步一步：

• Spark 使用 Pyrolite 在 Python 和 Java 类型之间进行转换。
• bytes 的 Java 类型是 byte[]，相当于 Scala 中的 Array[Byte]。
• 您将列定义为StringType，因此Array[Byte] 将在存储到DataFrame 之前转换为String。

• Arrays 在 Scala 中是丑陋的 Java 工件，并且在其他问题中没有有用的 toString 方法：

  Array(192, 168, 1, 1).map(_.toByte)
  

  Array[Byte] = Array(-64, -88, 1, 1)
  

  Array(192, 168, 1, 1).map(_.toByte).toString
  

  String = [B@6c9fe061
  

  这是获取列内容的方式。

Spark SQL 中没有直接映射到 Python bytes 的类型。我个人会加入join RDD，但如果你真的想使用DataFrames，你可以使用中间的BinaryType 表示。

from collections import namedtuple

Record = namedtuple("Record", ["url", "content"])

rdd = sc.parallelize([Record("none://", b"foo"), Record("none://", b"bar")])
df = rdd.map(lambda rec: Record(rec.url, bytearray(rec.content))).toDF()

df.printSchema()

root
 |-- url: string (nullable = true)
 |-- content: binary (nullable = true)

它不会为您提供可以在本机 (JVM) 中使用的内容，也不会提供有意义的字符串表示：

+-------+----------+
|    url|   content|
+-------+----------+
|none://|[66 6F 6F]|
|none://|[62 61 72]|
+-------+----------+

但无损：

df.rdd.map(lambda row: bytes(row.content)).first()

b'foo'

并且可以在Python中访问udf：

from pyspark.sql.functions import udf
from pyspark.sql import Column
from typing import Union

def decode(col: Union[str, Column], enc: str="utf-8") -> Column:
    def decode_(bs: Union[bytearray, None]) -> Union[str, None]:
        if bs is not None:
            return bytes(bs).decode(enc)
        except UnicodeDecodeError:
            pass 
    return udf(decode_)(col)

df.withColumn("decoded", decode("content")).show()

+-------+----------+-------+
|    url|   content|decoded|
+-------+----------+-------+
|none://|[66 6F 6F]|    foo|
|none://|[62 61 72]|    bar|
+-------+----------+-------+