spark中使用flatmap报错：TypeError: ‘int‘ object is not subscriptable

 1、背景描述

菜鸟笔者在运行下面代码时发生了报错：

from pyspark import SparkContext
 
sc = SparkContext("local", "apple1012")
 
rdd = sc.parallelize([[1, 2], 3, [7, 5, 6]])
 
rdd1 = rdd.flatMap(lambda x: x)
print(rdd1.collect())

报错描述如下：

2、报错原因

 显然这是传入的数据类型发生了错误：

因为我们试图对整数对象执行下标操作，而这是不允许的。

原来flatMap底层通过取下标来展开元素 如果rdd集合里面有非可迭代对象（如int元素）则会报错TypeError: 'int' object is not subscriptable。

查看flatmap算子源码我们知道，传入的参数被要求是一个可迭代对象，那么rdd集合中有int元素报错也就不奇怪了。

3、解决方案 

解决方法如下：
我们可以在映射函数内部处理这种情况。例如，如果要返回单个元素，可以将其放入一个列表中，以确保总是返回一个可迭代对象。

from pyspark import SparkContext
 
sc = SparkContext("local", "apple1012")
 
rdd = sc.parallelize([[1, 2], 3, [7, 5, 6]])
 
# flatMap底层通过取下标来展开元素 如果rdd集合里面有非可迭代对象（如int元素）则会报错TypeError: 'int' object is not subscriptable
 
 
def my_flatmap(x):
    if isinstance(x, int):
        # 如果是整数，将其放入一个列表中
        return [x]
    else:
        # 如果不是整数，直接返回可迭代对象
        return x
 
 
rdd1 = rdd.flatMap(my_flatmap)
print(rdd1.collect())
 

 修改代码后我们运行程序，完美执行：