Question

解释

sampleDF是示例数据框，其中包含用于查找目的的列表记录。
sampleDS是一个RDD，其中包含元素列表。
mappingFunction是在sampleDS中查找sampleDF的元素，如果它们存在于sampleDF中则将其映射为1，如果它们不存在则将其映射到0

我有一个映射函数如下：

def mappingFunction(element):
    # The dataframe lookup!
    lookupResult = sampleDF.filter(sampleDF[0] == element).collect()
    if len(lookupResult) > 0:
        print lookupResult
        return 1
    return 0

问题：

在映射函数之外访问sampleDF的工作非常正常，但只要我在函数内部使用它，我就会收到以下错误：

py4j.Py4JException: Method __getnewargs__([]) does not exist
    at py4j.reflection.ReflectionEngine.getMethod(ReflectionEngine.java:335)
    at py4j.reflection.ReflectionEngine.getMethod(ReflectionEngine.java:344)
    at py4j.Gateway.invoke(Gateway.java:252)
    at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:133)
    at py4j.commands.CallCommand.execute(CallCommand.java:79)
    at py4j.GatewayConnection.run(GatewayConnection.java:209)
    at java.lang.Thread.run(Thread.java:744)

我还尝试了什么：

我确实尝试保存临时表并在地图功能中使用sqlContext选择，但仍无法使其正常工作。这是我得到的错误：

  File "/usr/lib64/python2.6/pickle.py", line 286, in save
    f(self, obj) # Call unbound method with explicit self
  File "/usr/lib64/python2.6/pickle.py", line 649, in save_dict
    self._batch_setitems(obj.iteritems())
  File "/usr/lib64/python2.6/pickle.py", line 686, in _batch_setitems
    save(v)
  File "/usr/lib64/python2.6/pickle.py", line 331, in save
    self.save_reduce(obj=obj, *rv)
  File "/opt/spark/python/pyspark/cloudpickle.py", line 542, in save_reduce
    save(state)
  File "/usr/lib64/python2.6/pickle.py", line 286, in save
    f(self, obj) # Call unbound method with explicit self
  File "/usr/lib64/python2.6/pickle.py", line 649, in save_dict
    self._batch_setitems(obj.iteritems())
  File "/usr/lib64/python2.6/pickle.py", line 681, in _batch_setitems
    save(v)
  File "/usr/lib64/python2.6/pickle.py", line 306, in save
    rv = reduce(self.proto)
TypeError: 'JavaPackage' object is not callable

我要求的是：

我试图通过简单的例子简化我的问题。任何有关如何使用数据框内部地图功能的帮助都非常感谢。

Answer 1

这是不可能的。 Spark不支持对分布式数据结构（RDDs，DataFrames，Datasets）的嵌套操作。即使它确实执行了大量工作也不是一个好主意。根据您显示的代码，您可能希望将RDD转换为DataFrame并执行join智慧

(rdd.map(x => (x, )).toDF(["element"])
  .join(sampleDF, sampleDF[0] == df[0])
  .groupBy("element")
  .agg(count("element") > 0))

另外，在map内打印是完全没用的，不要说它会增加额外的IO开销。

如何在Spark中的map函数中使用数据帧？

解释

问题：

我还尝试了什么：

我要求的是：

1 个答案: