在 Pyspark 中使用 udf 时出现 __getnewargs__ 错误

Question

有一个包含 2 列（db 和 tb）的数据框：db 代表数据库，tb 代表该数据库的 tableName。   +--------------------+--------------------+   |            database|           tableName|   +--------------------+--------------------+   |aaaaaaaaaaaaaaaaa...|    tttttttttttttttt|   |bbbbbbbbbbbbbbbbb...|    rrrrrrrrrrrrrrrr|   |aaaaaaaaaaaaaaaaa...|  ssssssssssssssssss|我在python中有以下方法： def _get_tb_db(db, tb):      df = spark.sql("select * from {}.{}".format(db, tb))      return df.dtypes这个udf： test = udf(lambda db, tb: _get_tb_db(db, tb), StringType())运行时： df = df.withColumn("dtype", test(col("db"), col("tb")))有以下错误： pickle.PicklingError: Could not serialize object: Py4JError: An  error occurred while calling o58.__getnewargs__. Trace: py4j.Py4JException: Method __getnewargs__([]) does not exist我发现了一些关于 stackoverflow 的讨论：Spark __getnewargs__ 错误 ，但我不确定如何解决这个问题？错误是因为我在 UDF 中创建了另一个数据框吗？类似于链接中的解决方案，我尝试了这个：       cols = copy.deepcopy(df.columns)       df = df.withColumn("dtype", scanning(cols[0], cols[1]))但仍然出现错误有什么解决办法吗？

Answer 1

该错误意味着您不能在 UDF 中使用Spark 数据帧。但是由于您包含数据库和表名称的数据框很可能很小，因此只需使用 Pythonfor循环就足够了，以下是一些可能有助于获取数据的方法：

from pyspark.sql import Row

# assume dfs is the df containing database names and table names

dfs.printSchema()

root

 |-- database: string (nullable = true)

 |-- tableName: string (nullable = true)

方法一：使用 df.dtypes

运行 sqlselect * from database.tableName limit 1生成 df 并返回其 dtypes，将其转换为 StringType()。

data = []

DRow = Row('database', 'tableName', 'dtypes')

for row in dfs.collect():

  try:

    dtypes = spark.sql('select * from `{}`.`{}` limit 1'.format(row.database, row.tableName)).dtypes

    data.append(DRow(row.database, row.tableName, str(dtypes)))

  except Exception, e:

    print("ERROR from {}.{}: [{}]".format(row.database, row.tableName, e))

    pass

df_dtypes = spark.createDataFrame(data)

# DataFrame[database: string, tableName: string, dtypes: string]

笔记：

使用dtypes而不是str(dtypes)将分别获得以下模式 where_1和_2arecol_name和col_dtype：

root

 |-- database: string (nullable = true)

 |-- tableName: string (nullable = true)

 |-- dtypes: array (nullable = true)

 |    |-- element: struct (containsNull = true)

 |    |    |-- _1: string (nullable = true)

 |    |    |-- _2: string (nullable = true)

使用这种方法，每个表将只有一行。对于接下来的两种方法，表的每个 col_type 都会有自己的行。

方法二：使用描述

您还可以通过运行spark.sql("describe tableName")直接获取数据帧来检索此信息，然后使用 reduce 函数来合并所有表的结果。

from functools import reduce

def get_df_dtypes(db, tb):

  try:

    return spark.sql('desc `{}`.`{}`'.format(db, tb)) \

                .selectExpr(

                      '"{}" as `database`'.format(db)

                    , '"{}" as `tableName`'.format(tb)

                    , 'col_name'

                    , 'data_type')

  except Exception, e:

    print("ERROR from {}.{}: [{}]".format(db, tb, e))

    pass

# an example table:

get_df_dtypes('default', 'tbl_df1').show()

+--------+---------+--------+--------------------+

|database|tableName|col_name|           data_type|

+--------+---------+--------+--------------------+

| default|  tbl_df1| array_b|array<struct<a:st...|

| default|  tbl_df1| array_d|       array<string>|

| default|  tbl_df1|struct_c|struct<a:double,b...|

+--------+---------+--------+--------------------+

# use reduce function to union all tables into one df

df_dtypes = reduce(lambda d1, d2: d1.union(d2), [ get_df_dtypes(row.database, row.tableName) for row in dfs.collect() ])

方法 3：使用 spark.catalog.listColumns()

使用 spark.catalog.listColumns() 创建collections.Column对象列表，检索name和dataType合并数据。生成的数据框在它们自己的列上使用 col_name 和 col_dtype 进行标准化（与使用Method-2相同）。

data = []

DRow = Row('database', 'tableName', 'col_name', 'col_dtype')

for row in dfs.select('database', 'tableName').collect():

  try:

    for col in spark.catalog.listColumns(row.tableName, row.database):

      data.append(DRow(row.database, row.tableName, col.name, col.dataType))

  except Exception, e:

    print("ERROR from {}.{}: [{}]".format(row.database, row.tableName, e))

    pass

df_dtypes = spark.createDataFrame(data)

# DataFrame[database: string, tableName: string, col_name: string, col_dtype: string]

注意：在检索元数据时，不同的 Spark 发行版/版本可能会产生不同的结果describe tbl_name和其他命令，请确保在查询中使用正确的列名。