pyspark：仅基于 rdd 的操作

Posted 2023-04-18

【中文标题】pyspark：仅基于 rdd 的操作

【英文标题】：pyspark: rdd based operation only

【发布时间】：2019-11-09 18:24:37

【问题描述】：

我正在尝试仅使用基于 rdd 的操作。我有一个类似的文件；

0, Alpha,-3.9, 4, 2001-02-01, 5, 20
0, Beta,-3.8, 3, 2002-02-01, 6, 21
1, Gamma,-3.7, 8, 2003-02-01, 7, 22
0, Alpha,-3.5, 5, 2004-02-01, 8, 23
0, Alpha,-3.9, 6, 2005-02-01, 8, 27

首先我将数据加载到 rdd 中，如下所示，

rdd = sc.textFile(myDataset)

然后我对每个 raw 中 first elements 的不同元素感兴趣。意思是Alpha, Beta, Gamma。在这种情况下，我期望 3 不同的元素。 这就是我所做的，

coll = [] # to collect the distinct elements
list_ = rdd.collect() # to get the list
for i in list_:
    result = myFun(i) # this function I created to process line by line and return a tuple.
    if result[1] not in coll:
        coll.append(result[1])

有没有更快/更好的方法来做到这一点，只使用基于 rdd 的操作？

【参考方案1】：

您可以将map 与distinct 一起使用，如下所示：

rdd = sc.textFile('path/to/file/input.txt')
rdd.take(10)
#[u'0, Alpha,-3.9, 4, 2001-02-01, 5, 20', u'0, Beta,-3.8, 3, 2002-02-01, 6, 21', u'1, Gamma,-3.7, 8, 2003-02-01, 7, 22', u'0, Alpha,-3.5, 5, 2004-02-01, 8, 23', u'0, Alpha,-3.9, 6, 2005-02-01, 8, 27']

list_ = rdd.map(lambda line: line.split(",")).map(lambda e : e[1]).distinct().collect() 

list_
[u' Alpha', u' Beta', u' Gamma']