如何序列化pyspark Pipeline对象？

Question

我正在尝试序列化一个PySpark Pipeline对象，以便以后可以保存和检索。尝试使用Python pickle库和PySpark的PickleSerializer时，dumps()调用本身失败。

在使用本机pickle库的同时提供代码片段。

pipeline = Pipeline(stages=[tokenizer, hashingTF, lr])
with open ('myfile', 'wb') as f:
   pickle.dump(pipeline,f,2)
with open ('myfile', 'rb') as f:
   pipeline1 = pickle.load(f)

运行时出现以下错误：

py4j.protocol.Py4JError: An error occurred while calling o32.__getnewargs__. Trace:
py4j.Py4JException: Method __getnewargs__([]) does not exist
    at py4j.reflection.ReflectionEngine.getMethod(ReflectionEngine.java:335)
    at py4j.reflection.ReflectionEngine.getMethod(ReflectionEngine.java:344)
    at py4j.Gateway.invoke(Gateway.java:252)
    at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:133)
    at py4j.commands.CallCommand.execute(CallCommand.java:79)
    at py4j.GatewayConnection.run(GatewayConnection.java:209)
    at java.lang.Thread.run(Thread.java:785)

可以序列化PySpark Pipeline对象吗？

Answer 1

从技术上讲，您可以轻松地pickle Pipeline对象：

from pyspark.ml.pipeline import Pipeline
import pickle

pickle.dumps(Pipeline(stages=[]))
## b'\x80\x03cpyspark.ml.pipeline\nPipeline\nq ...

你不能使用的是Spark和Estimators，它们只是Transformers对象的薄薄的包装器。如果你真的需要它，你可以把它封装在一个函数中，例如：

def make_pipeline():
    return Pipeline(stages=[Tokenizer(inputCol="text", outputCol="words")])

pickle.dumps(make_pipeline)
## b'\x80\x03c__ ...

但是，由于它只是一段代码，并且不存储任何持久数据，因此看起来并不是特别有用。