python - Elasticsearch analytics()与Python中的Spark不兼容？

Question

我正在使用Python 3在PySpark中使用elasticsearch-py客户端，并且将带有ES的analytics()函数与RDD结合使用时遇到了问题。特别是，RDD中的每个记录都是文本字符串，我试图对其进行分析以获取 token 信息，但是在Spark的map函数中尝试使用它时遇到错误。

例如，这可以很好地工作:

from elasticsearch import Elasticsearch
es = Elasticsearch()
t = 'the quick brown fox'
es.indices.analyze(text=t)['tokens'][0]

{'end_offset': 3,
'position': 1,
'start_offset': 0,
'token': 'the',
'type': '<ALPHANUM>'}

但是，当我尝试这样做:

trdd = sc.parallelize(['the quick brown fox'])
trdd.map(lambda x: es.indices.analyze(text=x)['tokens'][0]).collect()

我收到与腌制相关的非常长的错误消息(到此结束):

(self, obj)    109if'recursion'in.[0]:    110="""Could not pickle object as excessively deep recursion required."""--> 111                  picklePicklingErrormsg

  save_memoryviewself obj

: Could not pickle object as excessively deep recursion required.

raise.()    112    113def(,):PicklingError

我不确定该错误是什么意思。难道我做错了什么？有没有办法将ES分析功能映射到RDD的记录上？

编辑:当也从elasticsearch-py应用其他功能时，例如在es.termvector()时，我也遇到这种情况。

Answer 1

本质上，Elasticsearch客户端不可序列化。因此，您需要为每个分区创建一个客户端实例，并对其进行处理:
def get_tokens(part): es = Elasticsearch() yield [es.indices.analyze(text=x)['tokens'][0] for x in part] rdd = sc.parallelize([['the quick brown fox'], ['brown quick dog']], numSlices=2) rdd.mapPartitions(lambda p: get_tokens(p)).collect()
应给出以下结果:Out[17]: [[{u'end_offset': 3, u'position': 1, u'start_offset': 0, u'token': u'the', u'type': u'<ALPHANUM>'}], [{u'end_offset': 5, u'position': 1, u'start_offset': 0, u'token': u'brown', u'type': u'<ALPHANUM>'}]]
请注意，对于大型数据集，这将非常低效，因为它涉及对数据集中每个元素的REST调用。