python - PySpark:PicklingError:无法序列化对象:TypeError:无法 pickle CompiledFFI 对象

Question

我是 PySpark 环境的新手，在尝试使用加密模块加密 RDD 中的数据时遇到错误。这是代码:

from pyspark.sql import SparkSession
spark = SparkSession.builder.appName('encrypt').getOrCreate()

df = spark.read.csv('test.csv', inferSchema = True, header = True)
df.show()
df.printSchema()

from cryptography.fernet import Fernet
key = Fernet.generate_key()
f = Fernet(key)

dfRDD = df.rdd
print(dfRDD)
mappedRDD = dfRDD.map(lambda value: (value[0], str(f.encrypt(str.encode(value[1]))), value[2] * 100))
data = mappedRDD.toDF()
data.show()

在我尝试将 value[1] 映射到 str(f.encrypt(str.encode(value[1]))) 之前，当然一切正常。我收到以下错误:

PicklingError: Could not serialize object: TypeError: can't pickle CompiledFFI objects

我没有看到太多引用此错误的资源，想看看是否有其他人遇到过它(或者如果您通过 PySpark 有推荐的列加密方法)。

Answer 1

recommended approach to column encryption

您可以考虑使用 Hive 内置加密(HIVE-5207、HIVE-6329)，但目前它相当有限(HIVE-7934)。

您当前的代码不起作用，因为 Fernet 对象不可序列化。您可以通过仅分发 key 来使其工作:

def f(value, key=key): 
    return value[0], str(Fernet(key).encrypt(str.encode(value[1]))), value[2] * 100

mappedRDD = dfRDD.map(f)

或

def g(values, key=key):
    f = Fernet(key)
    for value in values:
        yield value[0], str(f.encrypt(str.encode(value[1]))), value[2] * 100

mappedRDD = dfRDD.mapPartitions(g)