HDInsight集群中的UTF-8文本有火花结果编码错误'ascii'编解码器无法在位置编码字符：序数不在范围内（128）

Question

在Linux上使用spark在HDInsight集群中使用希伯来字符UTF-8 TSV文件时，我发现编码错误，有什么建议吗？

这是我的pyspark笔记本代码：

from pyspark.sql import *
# Create an RDD from sample data
transactionsText = sc.textFile("/people.txt")

header = transactionsText.first()

# Create a schema for our data
Entry = Row('id','name','age')

# Parse the data and create a schema
transactionsParts = transactionsText.filter(lambda x:x !=header) .map(lambda l: l.encode('utf-8').split("\t"))
transactions = transactionsParts.map(lambda p: Entry(str(p[0]),str(p[1]),int(p[2])))

# Infer the schema and create a table       
transactionsTable = sqlContext.createDataFrame(transactions)

# SQL can be run over DataFrames that have been registered as a table.
results = sqlContext.sql("SELECT name FROM transactionsTempTable")

# The results of SQL queries are RDDs and support all the normal RDD operations.
names = results.map(lambda p: "name: " + p.name)

for name in names.collect():
  print(name)

错误：

'ascii'编解码器不能编码位置6-11的字符：序数不在范围内（128）Traceback（最近的调用最后）： UnicodeEncodeError：'ascii'编解码器不能编码位置6-11的字符：序数不在范围内（128）

希伯来文文本文件内容：

id  name    age 
1   גיא 37
2   maor    32 
3   danny   55

当我尝试使用英语文件时，效果很好：

英文文本文件内容：

id  name    age
1   guy     37
2   maor    32
3   danny   55

输出：

name: guy
name: maor
name: danny

Answer 1

如果使用希伯来语文本运行以下代码：

from pyspark.sql import *

path = "/people.txt"
transactionsText = sc.textFile(path)

header = transactionsText.first()

# Create a schema for our data
Entry = Row('id','name','age')

# Parse the data and create a schema
transactionsParts = transactionsText.filter(lambda x:x !=header).map(lambda l: l.split("\t"))

transactions = transactionsParts.map(lambda p: Entry(unicode(p[0]), unicode(p[1]), unicode(p[2])))

transactions.collect()

您会注意到，您将这些名称作为Unicode类型的列表：

[Row(id=u'1', name=u'\u05d2\u05d9\u05d0', age=u'37'), Row(id=u'2', name=u'maor', age=u'32 '), Row(id=u'3', name=u'danny', age=u'55')]

现在，我们将使用事务RDD注册一个表：

table_name = "transactionsTempTable"

# Infer the schema and create a table       
transactionsDf = sqlContext.createDataFrame(transactions)
transactionsDf.registerTempTable(table_name)

# SQL can be run over DataFrames that have been registered as a table.
results = sqlContext.sql("SELECT name FROM {}".format(table_name))

results.collect()

您会注意到PysparkDataFrame中的所有字符串都是从sqlContext返回的。sql（…将是Pythonunicode类型：

[Row(name=u'\u05d2\u05d9\u05d0'), Row(name=u'maor'), Row(name=u'danny')]

现在运行：

%%sql
SELECT * FROM transactionsTempTable

将得到预期的结果：

name: גיא
name: maor
name: danny

请注意，如果您想对这些名称进行一些处理，您应该将它们作为unicode字符串进行处理。从这篇文章中：

当您处理文本操作（查找字符串中的字符数或在单词边界上剪切字符串）时，您应该处理unicode字符串，因为它们以一种适当的方式将字符抽象为您将在页面上看到的字母序列。在处理I/O、读取磁盘、打印到终端、通过网络链路发送内容等时，您应该处理byte str，因为这些设备将需要处理表示抽象字符的字节的具体实现。