我不能使用scala在apache spark中使用流模式进行在线预测的数据帧

Question

我是Spark的新手，我想制作流媒体节目。我需要预测每行的重复次数。这是我的原始数据：

05:49:56.604899 00:00:00:00:00:02 > 00:00:00:00:00:03, ethertype IPv4 (0x0800), length 10202: 10.0.0.2.54880 > 10.0.0.3.5001: Flags [.], seq 3641977583:3641987719, ack 129899328, win 58, options [nop,nop,TS val 432623 ecr 432619], length 10136
05:49:56.604908 00:00:00:00:00:03 > 00:00:00:00:00:02, ethertype IPv4 (0x0800), length 66: 10.0.0.3.5001 > 10.0.0.2.54880: Flags [.], ack 10136, win 153, options [nop,nop,TS val 432623 ecr 432623], length 0
05:49:56.604900 00:00:00:00:00:02 > 00:00:00:00:00:03, ethertype IPv4 (0x0800), length 4410: 10.0.0.2.54880 > 10.0.0.3.5001: Flags [P.], seq 10136:14480, ack 1, win 58, options [nop,nop,TS val 432623 ecr 432619], length 4344

我写了一个代码，提取我的合适输出，如下所示。 （我需要在column1和column2上重复的次数）

这是我的代码：

但是我的代码不是流式传输模式。我做了另一个代码来获得流模式。因为train.csv文件是以流方式生成的。但是我遇到了一些错误。 这是我的流媒体代码：

import org.apache.spark.SparkConf
import org.apache.spark.mllib.linalg.Vectors
import org.apache.spark.mllib.regression.{LabeledPoint, StreamingLinearRegressionWithSGD}
import org.apache.spark.sql.Row
import org.apache.spark.sql.types.{StringType, StructField, StructType}
import org.apache.spark.streaming.{Seconds, StreamingContext}

import scala.util.Try
/**
  * Created by saeedtkh on 5/24/17.
  */
object Main_ML_with_Streaming {
  def main(args: Array[String]) {

    val conf = new SparkConf().setAppName("saeed_test").setMaster("local[*]")
    //val sc = new SparkContext(conf)
    val ssc = new StreamingContext(conf, Seconds(5))


    /////////////////////Start extract the packet
    val customSchema = StructType(Array(
      StructField("column0", StringType, true),
      StructField("column1", StringType, true),
      StructField("column2", StringType, true)))


    val rdd = ssc.textFileStream("/Users/saeedtkh/Desktop/sharedsaeed/train.csv")
    val rowRdd =rdd.map(line => line.split(">")).map(array => {
      val first = Try(array(0).trim.split(" ")(0)) getOrElse ""
      val second = Try(array(1).trim.split(" ")(6)) getOrElse ""
      val third = Try(array(2).trim.split(" ")(0).replace(":", "")) getOrElse ""
      Row.fromSeq(Seq(first, second, third))
    })

    val dataFrame_trainingData = sqlContext.createDataFrame(rowRdd, customSchema)
    dataFrame_trainingData.groupBy("column1","column2").count().show()

    /////////////////////end extract the packet

    val testData = ssc.textFileStream(/Users/saeedtkh/Desktop/sharedsaeed/test.csv).map(LabeledPoint.parse)
    ////////////////////end trainging and testing

    val numFeatures = 3
    val model = new StreamingLinearRegressionWithSGD()
      .setInitialWeights(Vectors.zeros(numFeatures))

    model.trainOn(dataFrame_trainingData)
    model.predictOnValues(testData.map(lp => (lp.label, lp.features))).print()

    ssc.start()
    ssc.awaitTermination()

    print("Here is the anwser: *****########*********#########*******222")
  }
}

问题在于，我无法在我的代码中使用sqlcontext创建数据框：

val dataFrame_trainingData = sqlContext.createDataFrame(rowRdd, customSchema)

任何正文都可以帮我修改这个以流方式工作的代码，并使用线性回归或任何其他算法预测每行的重复。非常感谢。

UPDATE1： 根据第一个答案，我添加了foreach，但错误仍然存​​在：

Answer 1

首先，请务必注意ssc.textFileStream返回DStream而不是RDD，因此您命名为rdd，rowRdd和{{的变量1}}不是真正的RDD，而是连续RDD序列的抽象。因此，您无法将这些传递给期望RDD的testData。

您可以使用createDataFrame从每个基础RDD中创建一个DataFrame，如上所述here：

DStream.foreachRDD

但是，您应该注意到StreamingLinearRegressionWithSGD期望DStreams作为rowRdd.foreachRDD { rdd => val dataFrame_trainingData = sqlContext.createDataFrame(rdd, customSchema) // ... } 和trainOn的输入 - 因此您只需传递原始DStream而不将其转换为DataFrame。