Google Dataprep处理隔行空稀疏数据集返回空输出问题问询

我之前也碰到过几乎一模一样的问题，Google Dataprep在处理这种隔行有空行的稀疏数据集时，确实会出现「预览页面显示正常但实际运行作业返回空集合」的诡异情况，下面是我总结的细节和可行的解决思路：

• 空行解析逻辑的差异：Dataprep的样本预览和后台作业的解析规则存在不一致。预览阶段它会以宽松模式处理空行，能正常展示所有数据；但实际作业运行时，隔行的空行可能被误判为数据集的分隔符，或者触发了错误的行计数逻辑，导致整个数据集被判定为空。你可以先手动预处理数据集，比如用grep -v "^$"（针对文本格式文件）批量移除所有空行后再导入Dataprep，我当时用这个方法直接解决了作业输出为空的问题。

• 样本缓存的隐性干扰：你提到更换新数据集样本后仍返回空，这大概率是Dataprep的样本缓存在作祟。哪怕你替换了新数据，后台可能还在沿用之前错误的解析缓存。解决办法很直接：在数据集页面点击刷新样本，或者干脆重新创建一个全新的数据集导入任务，不要复用之前的配置，这样就能绕过缓存的问题。

• 配方变换的隐形依赖：有时候你添加的配方操作可能隐含了对非空行的依赖，预览时因为样本量小没暴露问题，但作业运行时遇到大量空行就触发了异常过滤逻辑。比如如果配方里有「删除空行」的转换器，Dataprep处理隔行空时可能逻辑出错，反而把所有行都过滤掉了。你可以先移除所有配方，只运行「导入后直接输出」的基础作业，如果能正常输出数据，再逐个添加配方排查哪个变换出了问题。

• 官方已知Bug的确认：这个情况确实属于Dataprep的一个已知Bug，主要出现在CSV、TSV这类文本格式的稀疏数据集上。虽然Google官方文档没有明确提及，但社区里有不少用户反馈过类似问题。你可以通过Google Cloud支持渠道提交工单，附上你的数据集样本和作业日志，官方会确认这是Bug并给出临时修复方案或后续版本更新的计划。

内容的提问来源于stack exchange，提问作者B Delfos