我需要大量随机数,每行一个。结果应该是这样的:
24324 24324
4234234 4234234
1310313 1310313
...
所以我写了这个火花代码(对不起,我是Spark和scala的新手):
import util.Random
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.SparkContext._
object RandomIntegerWriter {
def main(args: Array[String]) {
if (args.length < 2) {
System.err.println("Usage: RandomIntegerWriter <num Integers> <outDir>")
System.exit(1)
}
val conf = new SparkConf().setAppName("Spark RandomIntegerWriter")
val spark = new SparkContext(conf)
val distData = spark.parallelize(Seq.fill(args(0).toInt)(Random.nextInt))
distData.saveAsTextFile(args(1))
spark.stop()
}
}
注意:现在我只想为每行生成一个数字。
但似乎当数字变大时,程序会报告错误。对这段代码有任何想法吗?
谢谢。
答案 0 :(得分:11)
在Spark 1.4中,您可以使用DataFrame API执行此操作:
In [1]: from pyspark.sql.functions import rand, randn
In [2]: # Create a DataFrame with one int column and 10 rows.
In [3]: df = sqlContext.range(0, 10)
In [4]: df.show()
+--+
|id|
+--+
| 0|
| 1|
| 2|
| 3|
| 4|
| 5|
| 6|
| 7|
| 8|
| 9|
+--+
In [4]: # Generate two other columns using uniform distribution and normal distribution.
In [5]: df.select("id", rand(seed=10).alias("uniform"), randn(seed=27).alias("normal")).show()
+--+-------------------+--------------------+
|id| uniform| normal|
+--+-------------------+--------------------+
| 0| 0.7224977951905031| -0.1875348803463305|
| 1| 0.2953174992603351|-0.26525647952450265|
| 2| 0.4536856090041318| -0.7195024130068081|
| 3| 0.9970412477032209| 0.5181478766595276|
| 4|0.19657711634539565| 0.7316273979766378|
| 5|0.48533720635534006| 0.07724879367590629|
| 6| 0.7369825278894753| -0.5462256961278941|
| 7| 0.5241113627472694| -0.2542275002421211|
| 8| 0.2977697066654349| -0.5752237580095868|
| 9| 0.5060159582230856| 1.0900096472044518|
+--+-------------------+--------------------+
答案 1 :(得分:8)
试
val distData = spark.parallelize(Seq[Int](), numPartitions)
.mapPartitions { _ => {
(1 to recordsPerPartition).map{_ => Random.nextInt}.iterator
}}
它将在驱动程序端创建一个空集合,但在工作方生成许多随机整数。记录总数为:numPartitions * recordsPerPartition
答案 2 :(得分:3)
当前版本实现了驱动程序内存中随机数的集合。如果该集合非常大,则驱动程序将耗尽内存。请注意,该版本不使用Spark的处理功能,因为它仅在创建数据后使用它来保存数据。
假设我们正在开发集群,我们需要做的是分发在执行程序中生成数据所需的工作。这样做的一种方法是通过在执行程序之间划分工作,将原始算法转换为可以跨集群工作的版本:
val numRecords:Int = ???
val partitions:Int = ???
val recordsPerPartition = numRecords / partitions // we are assuming here that numRecords is divisible by partitions, otherwise we need to compensate for the residual
val seedRdd = sparkContext.parallelize(Seq.fill(partitions)(recordsPerPartition),partitions)
val randomNrs = seedRdd.flatMap(records => Seq.fill(records)(Random.nextInt))
randomNrs.saveAsTextFile(...)
如果我们没有集群,并且这意味着要在一台机器上运行,那么问题就是&#34;为什么要使用Spark?&#34;。这个随机生成器进程基本上是I / O绑定的,可以通过顺序地将随机数写入文件来在O(1)内存中完成。
import java.io._
def randomFileWriter(file:String, records:Long):Unit = {
val pw = new PrintWriter(new BufferedWriter(new FileWriter(file)))
def loop(count:Int):Unit = {
if (count <= 0) () else {
pw.println(Random.nextInt)
writeRandom(writer, count-1)
}
}
loop(records)
pw.close
}
答案 3 :(得分:1)
在Spark 2.3.0中工作
Python
df = spark.range(0, 10)
Scala
val df = spark.range(0, 10)