Question

我很难实现看起来应该非常简单的事情：

我的目标是使用第二个RDD /数据帧作为查找表或翻译字典在RDD /数据帧中进行翻译。我想在多个列中进行这些翻译。

解释问题的最简单方法是举例。让我们说我的输入是以下两个RDD：

Route SourceCityID DestinationCityID
A     1            2
B     1            3
C     2            1

和

CityID CityName
1      London
2      Paris
3      Tokyo

我想要的输出RDD是：

Route SourceCity DestinationCity
A     London     Paris
B     London     Tokyo
C     Paris      London

我该如何制作呢？

这是SQL中的一个简单问题，但我不知道Spark中有明显的RDD解决方案。 join ， cogroup 等方法似乎不太适合多列RDD，也不允许指定要加入的列。

有什么想法吗？ SQLContext是答案吗？

Answer 1

rdd方式：

routes = sc.parallelize([("A", 1, 2),("B", 1, 3), ("C", 2, 1) ])
cities = sc.parallelize([(1, "London"),(2, "Paris"), (3, "Tokyo")])


print routes.map(lambda x: (x[1], (x[0], x[2]))).join(cities) \
.map(lambda x: (x[1][0][1], (x[1][0][0], x[1][1]))).join(cities). \
map(lambda x: (x[1][0][0], x[1][0][1], x[1][1])).collect()

打印哪些：

[('C', 'Paris', 'London'), ('A', 'London', 'Paris'), ('B', 'London', 'Tokyo')]

和SQLContext方式：

from pyspark.sql import HiveContext
from pyspark.sql import SQLContext

df_routes = sqlContext.createDataFrame(\
routes, ["Route", "SourceCityID", "DestinationCityID"])
df_cities = sqlContext.createDataFrame(\
cities, ["CityID", "CityName"])

temp =  df_routes.join(df_cities, df_routes.SourceCityID == df_cities.CityID) \
.select("Route", "DestinationCityID", "CityName")
.withColumnRenamed("CityName", "SourceCity")

print temp.join(df_cities, temp.DestinationCityID == df_cities.CityID) \
.select("Route", "SourceCity", "CityName")
.withColumnRenamed("CityName", "DestinationCity").collect()

打印哪些：

[Row(Route=u'C', SourceCity=u'Paris', DestinationCity=u'London'),
Row(Route=u'A', SourceCity=u'London', DestinationCity=u'Paris'),
Row(Route=u'B', SourceCity=u'London', DestinationCity=u'Tokyo')]

Answer 2

假设我们有两个路由和城市的RDD：

val routes = sc.parallelize(List(("A", 1, 2),("B", 1, 3),("C", 2, 1)))
val citiesByIDRDD = sc.parallelize(List((1, "London"), (2, "Paris"), (3, "Tokyo")))

有几种方法可以实现城市查找。假设城市查找包含的项目与包含许多项目的路线相比较少。在这种情况下，让我们开始收集城市作为驾驶员发送到每个任务的地图。

val citiesByID = citiesByIDRDD.collectAsMap

routes.map{r => (r._1, citiesByID(r._2), citiesByID(r._3))}.collect
=> Array[(String, String, String)] = Array((A,London,Paris), (B,London,Tokyo), (C,Paris,London))

为避免将查找表发送到每个任务，但只向工作人员发送一次，您可以扩展现有代码，广播查找映射。

val bCitiesByID = sc.broadcast(citiesByID)

routes.map{r => (r._1, bCitiesByID.value(r._2), bCitiesByID.value(r._3))}.collect
=> Array[(String, String, String)] = Array((A,London,Paris), (B,London,Tokyo), (C,Paris,London))

我不认为这里需要数据框，但如果你愿意，你可以：

import sqlContext.implicits._

case class Route(id: String, from: Int, to: Int)
case class City(id: Int, name: String)

val cities = List(City(1, "London"), City(2, "Paris"), City(3, "Tokyo"))
val routes = List(Route("A", 1, 2), Route("B", 1, 3), Route("C", 2, 1))

val citiesDf = cities.df
citiesDf.registerTempTable("cities")
val routesDf = routes.df
citiesDf.registerTempTable("routes")

routesDf.show
+---+----+---+
| id|from| to|
+---+----+---+
|  A|   1|  2|
|  B|   1|  3|
|  C|   2|  1|
+---+----+---+

citiesDf.show
+---+------+
| id|  name|
+---+------+
|  1|London|
|  2| Paris|
|  3| Tokyo|
+---+------+

您提到它在SQL中是一个简单的问题，因此我假设您可以从此处获取它。执行SQL是这样的：

sqlContext.sql ("SELECT COUNT(*) FROM routes")

使用另一个RDD / df

2 个答案: