我正在使用LSH算法解决重复文档检测问题。为了处理大规模数据,我们正在使用spark。
我大约有30万个文档,每个文档至少100-200个字。在Spark集群上,这些是我们在数据帧上执行的步骤。
pipeline = Pipeline().setStages([
docAssembler,
tokenizer,
normalizer,
stemmer,
finisher,
stopwordsRemover,
# emptyRowsRemover
])
model = pipeline.fit(spark_df)
final_df = model.transform(spark_df)
final_df_limit.rdd.map(lambda x: (CalculateMinHash(x),)).toDF()
第二步失败,因为火花不允许我们将自定义类型值存储为列。值是MinHash类的对象。
有人知道我如何在数据帧中存储Minhash对象吗?
答案 0 :(得分:1)
我认为可能无法在DataFrames中保存python对象,但是您可以通过以下两种方式来规避这一点:
如果由于仍然需要对象的某些属性而不可行,则可能要使用Pickle对其进行序列化,将序列化的结果保存为编码字符串。这迫使您每次要使用该对象时都要取消序列化。
final_df_limit.rdd.map(lambda x: base64.encodestring(pickle.dumps(CalculateMinHash(x),))).toDF()
替代方法可能是改用Spark MinHash implementation,但这可能不适合您的所有要求。