通过 sparklyr 替换 spark 数据框中的 '\\' 或 '\\\\' 失败

Question

我尝试替换 spark 数据框中的反斜杠。我编写了一个适用于 R 数据框的函数。我将它插入 spark_apply 但它不起作用：

rm(back_slash_replace_func)

back_slash_replace_func <- function(x)
{

     cbind.data.frame(
          lapply(
          x, function(x) { if(class(x) == 'character'){ gsub(pattern = "\", replacement = "/", x = x, fixed = T)} else { x } }
            )
     , stringsAsFactors = F
     )

}

## do in R

x <- data.frame(x = rep('\', 10), stringsAsFactors = F)

back_slash_replace_func(x)

## do in spark

r_spark_connection <- spark_connect(master = "local")

xsp <- copy_to(r_spark_connection, x, overwrite = T)

start <- Sys.time()

spark_apply(
               x = xsp
               , f = back_slash_replace_func
               , memory = F
               )

Sys.time() - start

它没有完成任务，没有错误，没有警告。可能是什么情况？

Answer 1

您应该注意的第一件事是，copy_to 使您的数据格式错误。而 x 是：

x %>% head(1)
#    x
# 1 \

xsp 是

xsp %>% head(1)
# # Source:   lazy query [?? x 1]
# # Database: spark_connection
#   x    
#   <chr>
# 1 "\""

这是因为当您使用 copy_to 时，spakrlyr 会将数据转储到平面文件。结果它甚至在本地也不起作用：

xsp %>% collect %>% back_slash_replace_func %>% head(1)
#   x
# 1 "

如果您直接创建数据框：

df <-spark_session(r_spark_connection) %>%
  invoke("sql", "SELECT '\\' AS x FROM range(10)") %>% 
  sdf_register() 

df %>% collect %>% back_slash_replace_func %>% head(1)
#   x
# 1 /

这个特殊问题不会出现。

这里的另一个问题是 spark_apply 实际上将 strings 转换为 factors（根据 Kevin's comment this is tracked by sparklyr:1295）所以不是：

function(x) {
  if (is.character(x)) {
    gsub(pattern = "\", replacement = "/", x = x, fixed = T)
  } else { x }
}

您更愿意需要：

function(x) {
  if (is.factor(x)) {
    gsub(pattern = "\", replacement = "/", x = as.character(x), fixed = T)
  } else { x }
}

但实际上只是 translate:

df %>% mutate(x = translate(x, "\\", "/")) %>% head(1)
# # Source:   lazy query [?? x 1]
# # Database: spark_connection
#   x    
#   <chr>
# 1 /

通过 sparklyr 替换 spark 数据框中的 '\\' 或 '\\\\' 失败

Replacing '\\' or '\\\\' in spark dataframe via sparklyr fails

r

backslash

apache-spark

sparklyr