Question

我尝试使用Spark并行化集合，文档中的示例似乎不起作用：

List<Integer> data = Arrays.asList(1, 2, 3, 4, 5);
JavaRDD<Integer> distData = sc.parallelize(data);

我在记录中创建LabeledPoint列表，每个记录包含数据点（double[]）和标签（默认值：true / false）。

 public List<LabeledPoint> createLabeledPoints(List<ESRecord> records) {
    List<LabeledPoint> points = new ArrayList<>();

    for (ESRecord rec : records) {

        points.add(new LabeledPoint(
                rec.defaulted ? 1.0 : 0.0, Vectors.dense(rec.toDataPoints())));
    }
    return points;
}

public void test(List<ESRecord> records) {
    SparkConf conf = new SparkConf().setAppName("SVM Classifier Example");
    SparkContext sc = new SparkContext(conf);
    List<LabeledPoint> points = createLabeledPoints(records);        
    JavaRDD<LabeledPoint> data = sc.parallelize(points);
    ...
 }

parallelize的函数签名不再是一个参数，这是它在spark-mllib_2.11 v1.3.0中的样子：sc.parallelize(seq, numSlices, evidence$1)

关于如何使这个工作的任何想法？

Answer 1

在Java中，您应该使用JavaSparkContext。

https://spark.apache.org/docs/0.6.2/api/core/spark/api/java/JavaSparkContext.html

使用Spark并行化集合

1 个答案: