Spark-NLP 函数在使用 map

问题描述

我有一个如下结构的 RDD：

my_rdd = [Row(text='Hello World. This is bad.'),Row(text='This is good.'),...]

我可以使用 python 函数执行并行处理：

rdd2=my_rdd.map(lambda f: f.text.split()) 
for x in rdd2.collect():
  print(x)

它给了我预期的输出。

但是，当我尝试使用 spark-NLP 断句或情感分析器时，出现错误： PicklingError：无法序列化对象：TypeError：无法pickle _thread.RLock 对象

在这一行中：for x in rdd2.collect()：

代码如下：

documenter = DocumentAssembler()\
    .setInputCol("text")\
    .setoutputCol("document")
    
sentencerDL = SentenceDetectorDLModel\
  .pretrained("sentence_detector_dl","en") \
  .setInputCols(["document"]) \
  .setoutputCol("sentences")

sd_pipeline = PipelineModel(stages=[documenter,sentencerDL]) 
sd_model = LightPipeline(sd_pipeline)
pipeline = PretrainedPipeline('analyze_sentiment','en')

如果我尝试：

rdd2=my_rdd.map(lambda f: pipeline.annotate(f.text))                    

或

rdd2=my_rdd.map(lambda f: sd_model.fullAnnotate(f.text)[0]["sentences"].split()[0])

发生错误。当我在没有“映射”的情况下运行它们时，它们会按预期运行。

有谁知道如何并行执行 spark-NLP 断句或情感分析器？我做错了什么？

谢谢大家！

解决方法

当您在数据分布在不同分区的数据帧上应用 Spark-ML 管道时，默认情况下您将获得并行执行。 spark-NLP 管道（它也是 Spark-ML 管道）也是如此。 所以你可以这样做，

pipeline.transform(dataframe)

并以数据分布在不同节点上的方式创建“数据帧”。 一个很好的教程在这里，

https://sparkbyexamples.com/pyspark/pyspark-create-dataframe-from-list/

此外，为了在使用 Spark-NLP 转换后映射数据帧的内容，您可以使用 sparknlp.functions 下的函数，例如 map_annotations_col，它可以让您映射包含 Spark-NLP 的数据帧中特定列的内容注释。 顺便说一句，这个，

rdd2=my_rdd.map(lambda f: pipeline.annotate(f.text))

是您不应该做的事情，您会收到该异常，因为 Spark 正在尝试序列化您的整个管道并将其发送到集群节点。 这不是它应该工作的方式，您将数据传递到管道，让管道选择将什么分发到集群。