pyspark：'PipelinedRDD' 对象不可迭代

Question

我收到此错误，但我不知道为什么。基本上我从这段代码中出错：

    a = data.mapPartitions(helper(locations))

其中数据是一个 RDD，我的助手定义为：

    def helper(iterator, locations): 
        for x in iterator:
            c = locations[x]
            yield c

（位置只是一个数据点数组）我看不出问题出在哪里，但我也不是 pyspark 的佼佼者所以有人可以告诉我为什么我得到 'PipelinedRDD' object is not iterable from this code?

Answer 1

RDD可以使用map和lambda函数进行迭代。我已经使用以下方法迭代了流水线 RDD

lines1 = sc.textFile("\..\file1.csv")
lines2 = sc.textFile("\..\file2.csv")

pairs1 = lines1.map(lambda s: (int(s), 'file1'))
pairs2 = lines2.map(lambda s: (int(s), 'file2'))

pair_result = pairs1.union(pairs2)

pair_result.reduceByKey(lambda a, b: a + ','+ b)

result = pair.map(lambda l: tuple(l[:1]) + tuple(l[1].split(',')))
result_ll = [list(elem) for elem in result]

===> result_ll = [list(elem) for elem in result]

TypeError: 'PipelinedRDD' object is not iterable

我用 map 函数代替了迭代

result_ll = result.map( lambda elem: list(elem))

希望这有助于相应地修改您的代码

Answer 2

我更喜欢另一个问题中的答案 link ： Can not access Pipelined Rdd in pyspark

您不能遍历 RDD，您需要先调用一个操作将数据返回给驱动程序。快速示例：

`>>> test = sc.parallelize([1,2,3])
 >>> for i in test:
     ...    print i
     ... 
     Traceback (most recent call last):
     File "<stdin>", line 1, in <module>
     TypeError: 'RDD' object is not iterable`

但例如您可以使用“.collect()”

`>>> for i in test.collect():
     ...      print i
 1                                                                               
 2
 3`

pyspark：'PipelinedRDD' 对象不可迭代

pyspark: 'PipelinedRDD' object is not iterable

rdd

pyspark