pyspark:ml +流媒体

时间:2018-02-17 23:18:58

标签: python apache-spark spark-streaming apache-spark-mllib

根据Combining Spark Streaming + MLlib,可以对spark中的输入流进行预测。

给定示例(适用于我的群集)的问题是testData是正确格式的给定权限。

我正在尝试设置客户端< - >基于数据字符串的服务器tcp交换。 我无法弄清楚如何以正确的格式转换字符串。

虽然这有效:

sep       = ";"
str_recue = '0.0;0.1;0.2;0.3;0.4;0.5'
rdd       = sc.parallelize([str_recue])
chemin = "hdfs://xx.xx.xx.xx:8020/cart_model_for_cycliste_v2"
model  = DecisionTreeClassificationModel.load(chemin)
# travail sur la string
rdd2      = rdd.map( lambda data   : data.split(sep))
rdd3      = rdd2.map(lambda tableau: [float(x) for x in tableau])
# création df
cols      = ["c1", "c2", "c3", "c4", "c5", "c6"]
fields    = [StructField(x, FloatType(), True) for x in cols]
schema    = StructType(fields) 
df        = spark.createDataFrame(rdd3, schema=schema ) 
# preparation d'une colonne de features
schema    = StructType(fields)
assembler = VectorAssembler()
assembler = assembler.setInputCols(cols)
assembler = assembler.setOutputCol("features")
df2       = assembler.transform(df)
model.transform(df2).show()
给予:

+---+---+---+---+---+---+--------------------+-------------+-----------+----------+
| c1| c2| c3| c4| c5| c6|            features|rawPrediction|probability|prediction|
+---+---+---+---+---+---+--------------------+-------------+-----------+----------+
|0.0|0.1|0.2|0.3|0.4|0.5|[0.0,0.1000000014...| [0.0,3426.0]|  [0.0,1.0]|       1.0|
+---+---+---+---+---+---+--------------------+-------------+-----------+----------+

我无法弄清楚如何在听插座时使其工作。

我有我的服务器:

import socket
import random
import time
port = 12003
ip   = socket.gethostname()
serversocket = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
serversocket.bind((ip, port))
serversocket.listen(1)
(clientsocket, address) = serversocket.accept()
nb_d_envois = 10
tps_attente = 3
for i in range(nb_d_envois):
    time.sleep(tps_attente)
    sep     = ";"
    to_send = '0.0;0.1;0.2;0.3;0.4;0.5'
    print(to_send)
    clientsocket.send(to_send.encode())

将字符串发送到我的spark Streaming上下文。 接下来做什么 ?这是我的问题。根据:https://github.com/apache/spark/blob/master/examples/src/main/python/streaming/sql_network_wordcount.py应该可以做[foreach]

所以我创建了一个函数:

def prevoir(time, rdd):
    sep       = ";"
    chemin = "hdfs://54.37.12.49:8020/cart_model_for_cycliste_v2"
    model  = DecisionTreeClassificationModel.load(chemin)
    # travail sur la string
    rdd2      = rdd.map( lambda data   : data.split(sep))
    rdd3      = rdd2.map(lambda tableau: [float(x) for x in tableau])
    # création df
    cols      = ["c1", "c2", "c3", "c4", "c5", "c6"]
    fields    = [StructField(x, FloatType(), True) for x in cols]
    schema    = StructType(fields) 
    df        = spark.createDataFrame(rdd3, schema=schema ) 
    # preparation d'une colonne de features
    schema    = StructType(fields)
    assembler = VectorAssembler()
    assembler = assembler.setInputCols(cols)
    assembler = assembler.setOutputCol("features")
    df2       = assembler.transform(df)
    model.transform(df2).show()

并将其应用于流媒体上下文:

ssc     = StreamingContext(sc, 5)
dstream = ssc.socketTextStream(listen_to_ip, listen_to_port)
dstream.foreachRDD(prevoir)

但没有出现(甚至没有正常的时间信息)。 也没有错误。

我的怀疑是:

  • 该功能未注册为UDF,因此我怀疑它可以被调用

  • 通过hdfs加载模型当然只能进行一次并作为参数传递

  • “show”函数在我看来并不是真正分布的(但是当它没有应用于'foreachrdd'时它会起作用... =>也许我应该在hdfs上做些什么?

欢迎任何帮助......

1 个答案:

答案 0 :(得分:0)

数据未从服务器发送到流式上下文。代码是正确的。