python - PySpark:UDF 未在数据帧上执行

Question

我在 Azure 上的 Jupyter 中使用 PySpark。我正在尝试在数据帧上使用 UDF 进行测试，但是 UDF 没有执行。

我的数据框是由以下人员创建的:

users = sqlContext.sql("SELECT DISTINCT userid FROM FoodDiaryData")

我已确认此数据框填充了 100 行。在下一个单元格中，我尝试执行一个简单的 udf。

def iterateMeals(user):
    print user

users.foreach(iterateMeals)

这不会产生任何输出。我希望数据框中的每个条目都已被打印。但是，如果我只是尝试 iterateMeals('test')它将触发并打印“test”。我还尝试使用 pyspark.sql.functions

from pyspark.sql.functions import udf

def iterateMeals(user):
    print user
f_iterateMeals = udf(iterateMeals,LongType())

users.foreach(f_iterateMeals)

当我尝试此操作时，我收到以下错误:

Py4JError: An error occurred while calling o461.__getnewargs__. Trace:
py4j.Py4JException: Method __getnewargs__([]) does not exist

有人可以解释一下我哪里出了问题吗？我需要在 .foreach 内执行 udfs此应用程序的数据帧。

Answer 1

1. 您不会看到输出，因为 print 在工作节点上执行并转到相应的输出。请参阅Why does foreach not bring anything to the driver program?以获得完整的解释。

2. foreach 在 RDD 上运行，而不是在 DataFrame 上运行。 UDF 在此上下文中无效。