programowanie z pyspark w klastrze Spark, dane są duże i podzielone na części, więc nie można ich załadować do pamięci ani sprawdzić stanu poprawności dane łatwopyspark: TypeError: IntegerType nie może zaakceptować obiektu w typie <type 'unicode'>
zasadzie wygląda
af.b Current%20events 1 996
af.b Kategorie:Musiek 1 4468
af.b Spesiaal:RecentChangesLinked/Gebruikerbespreking:Freakazoid 1 5209
af.b Spesiaal:RecentChangesLinked/Sir_Arthur_Conan_Doyle 1 5214
dane wikipedia:
czytałem ją z AWS S3, a następnie spróbować skonstruować zapłonową Dataframe z następującego kodu Pythona w pyspark intepreter:
parts = data.map(lambda l: l.split())
wikis = parts.map(lambda p: (p[0], p[1],p[2],p[3]))
fields = [StructField("project", StringType(), True),
StructField("title", StringType(), True),
StructField("count", IntegerType(), True),
StructField("byte_size", StringType(), True)]
schema = StructType(fields)
df = sqlContext.createDataFrame(wikis, schema)
wszystkie wyglądają w porządku, tylko createDataFrame daje mi błąd
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "/usr/lib/spark/python/pyspark/sql/context.py", line 404, in createDataFrame
rdd, schema = self._createFromRDD(data, schema, samplingRatio)
File "/usr/lib/spark/python/pyspark/sql/context.py", line 298, in _createFromRDD
_verify_type(row, schema)
File "/usr/lib/spark/python/pyspark/sql/types.py", line 1152, in _verify_type
_verify_type(v, f.dataType)
File "/usr/lib/spark/python/pyspark/sql/types.py", line 1136, in _verify_type
raise TypeError("%s can not accept object in type %s" % (dataType, type(obj)))
TypeError: IntegerType can not accept object in type <type 'unicode'>
dlaczego nie mogę ustawić trzecią kolumnę, która należy liczyć się IntegerType? Jak mogę to rozwiązać?
Czy to możliwe, ponieważ twoje Structured byte_size ma typ StringType i powinno być typu IntegerType? – ccheneson
@ ccheneson thx za komentarz –