我正在尝试以特定顺序将多个字符串RDD合并到行的RDD中。我尝试创建Map[String, RDD[Seq[String]]]
(其中Seq
只包含一个元素),然后将它们合并到RDD[Row[String]]
,但它似乎不起作用(内容为{{ 1}}迷路了......有人有任何想法吗?
RDD[Seq[String]]
编辑:
使用zip函数会导致spark异常,因为我的RDD在每个分区中没有相同数量的元素。我不知道如何确保它们在每个分区中都具有相同数量的元素,因此我只是用索引对它们进行压缩,然后使用val t1: StructType
val mapFields: Map[String, RDD[Seq[String]]]
var ordRDD: RDD[Seq[String]] = context.emptyRDD
t1.foreach(field => ordRDD = ordRDD ++ mapFiels(field.name))
val rdd = ordRDD.map(line => Row.fromSeq(line))
以良好的顺序将它们连接起来。也许有一个关于ListMap
函数的技巧,但我还不了解Spark API。
mapPartitions
答案 0 :(得分:1)
这里的关键是使用RDD.zip
来" zip" RDD在一起(创建一个RDD,其中每个记录是在ell RDD中具有相同索引的记录的组合):
import org.apache.spark.sql._
import org.apache.spark.sql.types._
// INPUT: Map does not preserve order (not the defaul implementation, at least) - using Seq
val rdds: Seq[(String, RDD[String])] = Seq(
"field1" -> sc.parallelize(Seq("a", "b", "c")),
"field2" -> sc.parallelize(Seq("1", "2", "3")),
"field3" -> sc.parallelize(Seq("Q", "W", "E"))
)
// Use RDD.zip to zip all RDDs together, then convert to Rows
val rowRdd: RDD[Row] = rdds
.map(_._2)
.map(_.map(s => Seq(s)))
.reduceLeft((rdd1, rdd2) => rdd1.zip(rdd2).map { case (l1, l2) => l1 ++ l2 })
.map(Row.fromSeq)
// Create schema using the column names:
val schema: StructType = StructType(rdds.map(_._1).map(name => StructField(name, StringType)))
// Create DataFrame:
val result: DataFrame = spark.createDataFrame(rowRdd, schema)
result.show
// +------+------+------+
// |field1|field2|field3|
// +------+------+------+
// | a| 1| Q|
// | b| 2| W|
// | c| 3| E|
// +------+------+------+