Question

我正在写一些火花代码，我有一个看起来像

的RDD

[(4, <pyspark.resultiterable.ResultIterable at 0x9d32a4c>), 
 (1, <pyspark.resultiterable.ResultIterable at 0x9d32cac>), 
 (5, <pyspark.resultiterable.ResultIterable at 0x9d32bac>), 
 (2, <pyspark.resultiterable.ResultIterable at 0x9d32acc>)]

我需要做的是在pyspark.resultiterable.ResultIterable

上调用不同的内容

我试过这个

def distinctHost(a, b):
  p = sc.parallelize(b)
  return (a, p.distinct())

mydata.map(lambda x: distinctHost(*x))

但是我收到了一个错误：

例外：您似乎正在尝试引用来自广播变量，动作或转换的SparkContext。 SparkContext只能在驱动程序上使用，而不能在运行的代码中使用对工人。有关更多信息，请参阅SPARK-5063。

错误是不言自明的，我不能使用sc。但是我需要找到一种方法来覆盖pyspark.resultiterable。ResultIterable到RDD，以便我可以在其上调用distinct。

Answer 1

直截了当的方法是使用集合：

from numpy.random import choice, seed
seed(323)

keys = (4, 1, 5, 2)
hosts = [
    u'in24.inetnebr.com',
    u'ix-esc-ca2-07.ix.netcom.com',
    u'uplherc.upl.com',
    u'slppp6.intermind.net',
    u'piweba4y.prodigy.com'
]

pairs = sc.parallelize(zip(choice(keys, 20), choice(hosts, 20))).groupByKey()
pairs.map(lambda (k, v): (k, set(v))).take(3)

结果：

[(1, {u'ix-esc-ca2-07.ix.netcom.com', u'slppp6.intermind.net'}),
 (2,
  {u'in24.inetnebr.com',
   u'ix-esc-ca2-07.ix.netcom.com',
   u'slppp6.intermind.net',
   u'uplherc.upl.com'}),
 (4, {u'in24.inetnebr.com', u'piweba4y.prodigy.com', u'uplherc.upl.com'})]

如果使用rdd.disinct有特殊原因，您可以尝试这样的事情：

def distinctHost(pairs, key):
    return (pairs
        .filter(lambda (k, v): k == key)
        .flatMap(lambda (k, v): v)
        .distinct())

[(key, distinctHost(pairs, key).collect()) for key in pairs.keys().collect()]

打电话给'pyspark.resultiterable.ResultIterable＆＃39;

1 个答案: