Pyspark使用ArrayWritable

Question

我尝试在pyspark上保存键值RDD。 RDD的每个单元都有类型，用伪代码编写：

((str,str),(int,[(int,int),...]))`

我想将它保存在hadoop文件系统上。为此，我将列表转换为元组并调用.saveAsSequenceFile。但是，使用sc.sequenceFile重新加载rdd时会失败java.lang.RuntimeException: java.lang.NoSuchMethodException: org.apache.hadoop.io.ArrayWritable.<init>()。

以下是尝试保存(int,int)的RDD的最小示例。

import pyspark as spark, math

scConf = spark.SparkConf().setAppName('minimal_example')
sc = spark.SparkContext( conf = scConf )

def divs( x ):
    for n in xrange(1, int(math.sqrt(x))+1 ):
        if x % n == 0: yield n
def constructor( i ):
    return ( i, tuple(divs(i)) )

rdd = sc.parallelize(map(constructor,range(2,61)))
rdd.saveAsSequenceFile("min.seq")

当我使用sc.sequenceFile使用交互式pyspark加载它时，它也会失败。怎么了？为什么在python中尝试保存数组而我实际上有元组。还有如何在pyspark中扩展ArrayWritable以获得默认构造函数？

Answer 1

你真的需要序列文件吗？您可以保存AsTextFile，加载文本文件和映射以恢复值。

rdd.saveAsTextFile('test') 

sc.textFile('test').map(lambda row: ast.literal_eval(row))