时间戳

首页 > 解决方案 > 使用 spark-submit 和 BeautifulSoup 时出现 UnicodeEncodeError

python - 使用 spark-submit 和 BeautifulSoup 时出现 UnicodeEncodeError

问题描述

当我向 spark 1.6, hadoop 2.7 提交作业时，我在 Python 2.7 中不断收到 UnicodeEncodeError，但是当我在 pyspark shell 上逐行执行相同的代码时，我没有收到相同的错误。

我正在BeautifulSoup使用这行代码获取所有标签并从中获取文本：

[r.text for r in BeautifulSoup(line).findAll('ref') if r.text]

我尝试了以下事情：

  1. 设置export PYTHONIOENCODING="utf8"
  2. 利用r.text.encode('ascii', 'ignore')
  3. 也试过申请sysdefaultencoding('utf-8')

有人可以告诉我如何解决吗？下面是错误堆栈：

"/hdata/dev/sdf1/hadoop/yarn/local/usercache/harshdee/appcache/application_1551632819863_0039/container_e36_1551632819863_0039_01_000004/pyspark.zip/pyspark/serializers.py", line 263, in dump_stream
    vs = list(itertools.islice(iterator, batch))
  File "/home/harshdee/get_data.py", line 63, in get_as_row
    return Row(citations=get_citations(line.content), id=line.id, title=line.title)
  File "/home/harshdee/get_data.py", line 47, in get_citations
    refs_in_line = [r.text for r in BeautifulSoup(line).findAll('ref') if r.text]
  File "/usr/lib/python2.7/site-packages/bs4/__init__.py", line 274, in __init__
    self._check_markup_is_url(markup)
  File "/usr/lib/python2.7/site-packages/bs4/__init__.py", line 336, in _check_markup_is_url
    ' that document to Beautiful Soup.' % decoded_markup
  File "/usr/lib64/python2.7/warnings.py", line 29, in _show_warning
    file.write(formatwarning(message, category, filename, lineno, line))
  File "/usr/lib64/python2.7/warnings.py", line 38, in formatwarning
    s =  "%s:%s: %s: %s\n" % (filename, lineno, category.__name__, message)
UnicodeEncodeError: 'ascii' codec can't encode characters in position 21-28: ordinal not in range(128)```

标签： pythonpython-2.7apache-sparkhadoopbeautifulsoup

解决方案

我自己解决了这个问题。我认为问题出在字符串的表示上。

为此，我使用了repr返回对象表示的函数。换句话说，它基本上返回一个string统一编码的。

我将此应用于line变量。

推荐阅读