Spark:如何将RDD的Seq转换为RDD

时间:2014-12-31 15:00:25

标签: scala apache-spark seq rdd flatmap

我刚从Spark& amp;阶

我有一个包含多个文件的目录 我使用

成功加载它们
sc.wholeTextFiles(directory)

现在我想升级一级。我实际上有一个目录,其中包含包含文件的子目录。我的目标是获得RDD[(String,String)],以便我可以前进,RDD代表文件的名称和内容。

我尝试了以下内容:

val listOfFolders = getListOfSubDirectories(rootFolder)
val input = listOfFolders.map(directory => sc.wholeTextFiles(directory))

但我得到了Seq[RDD[(String,String)]] 如何将此Seq转换为RDD[(String,String)]

或许我做得不对,我应该尝试不同的方法?

修改:添加了代码

// HADOOP VERSION
val rootFolderHDFS = "hdfs://****/"
val hdfsURI = "hdfs://****/**/"

// returns a list of folders (currently about 800)
val listOfFoldersHDFS = ListDirectoryContents.list(hdfsURI,rootFolderHDFS)
val inputHDFS = listOfFoldersHDFS.map(directory => sc.wholeTextFiles(directory))
// RDD[(String,String)]
//    val inputHDFS2 = inputHDFS.reduceRight((rdd1,rdd2) => rdd2 ++ rdd1)
val init = sc.parallelize(Array[(String, String)]())
val inputHDFS2 = inputHDFS.foldRight(init)((rdd1,rdd2) => rdd2 ++ rdd1)

// returns org.apache.spark.SparkException: Job aborted due to stage failure: Task serialization failed: java.lang.StackOverflowError
println(inputHDFS2.count)

3 个答案:

答案 0 :(得分:4)

您可以减少Seq这样的结果(将RDD++连接起来):

val reduced: RDD[(String, String)] = input.reduce((left, right) => left ++ right)

还有一些细节,为什么我们可以在这里应用reduce

  • ++是关联的 - 你rdda ++(rddb ++ rddc)或(rdda ++ rddb)++ rddc
  • 并不重要
  • 假设Seq是非空的(否则fold将是更好的选择,它需要空RDD[(String, String)]作为初始累加器。)

根据Seq的确切类型,您可能会获得堆栈溢出,因此请小心并使用更大的集合进行测试,但对于标准库我认为它是安全的。

答案 1 :(得分:3)

您应该使用spark context

提供的union
val rdds: Seq[RDD[Int]] = (1 to 100).map(i => sc.parallelize(Seq(i)))
val rdd_union: RDD[Int] = sc.union(rdds) 

答案 2 :(得分:2)

您可以使用路径通配符将所有目录加载到单个RDD中,而不是将每个目录加载到单独的RDD中吗?

给出以下目录树...

$ tree test/spark/so
test/spark/so
├── a
│   ├── text1.txt
│   └── text2.txt
└── b
    ├── text1.txt
    └── text2.txt

使用目录的通配符创建RDD。

scala> val rdd =  sc.wholeTextFiles("test/spark/so/*/*")
rdd: org.apache.spark.rdd.RDD[(String, String)] = test/spark/so/*/ WholeTextFileRDD[16] at wholeTextFiles at <console>:37

计数是4,正如您所期望的那样。

scala> rdd.count
res9: Long = 4

scala> rdd.collect
res10: Array[(String, String)] =
Array((test/spark/so/a/text1.txt,a1
a2
a3), (test/spark/so/a/text2.txt,a3
a4
a5), (test/spark/so/b/text1.txt,b1
b2
b3), (test/spark/so/b/text2.txt,b3
b4
b5))