scala中怎么取rdd的前两列数据

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了scala中怎么取rdd的前两列数据相关的知识,希望对你有一定的参考价值。

参考技术A val rdd = yourRDD
val newRdd = yourRDD.map( row => (row._1, row._2) )

参考技术B 为了在IDEA中编写scala,今天安装配置学习了IDEA集成开发环境。IDEA确实很优秀,学会之后,用起来很顺手。关于如何搭建scala和IDEA开发环境,请看文末的参考资料。 用Scala和Java实现WordCount,其中Java实现的JavaWordCount是spark自带的例

使用 BeautifulSoup 从表的前两列中提取日期并将它们排列在 Pandas 数据框中,没有重复

【中文标题】使用 BeautifulSoup 从表的前两列中提取日期并将它们排列在 Pandas 数据框中,没有重复【英文标题】:Extraction of date from first two columns of a table using BeautifulSoup and arranging them in Pandas dataframe without duplicates 【发布时间】:2022-01-19 20:41:29 【问题描述】:

这是我之前的问题Extraction of tds from table using BeautifulSoup and arranging them in Pandas dataframe together with the table id的后续问题

我在解决方案中遇到了异常行为:

    由于存在第三列而导致空行条目,遗憾的是我在上述问题中没有提及它 在我的上述问题中创建的 Pandas 数据框中出现重复记录

我提取了以下 html 代码:

<table id=table1>

  <thead>
    <tr class="table_columns">
      <th id="header1">
        "Column 1 Title"
      </th>
      <th id="header2">
        "Column 2 Title"
      </th>
      <th id="header3">
        <span></span>
      </th>
    </tr>
  </thead>
  
  <tbody>
    <tr class="evenRow">
      <td headers="_header1">firstrowcolumn1data</td>
      <td headers="_header2">firstrowcolumn2data</td>
      <td headers="_header3">
        <a>
          <img src="image1">
        </a>
      </td>
    </tr>
    <tr class="oddRow">
      <td headers="_header1">secondrowcolumn1data</td>
      <td headers="_header2">secondrowcolumn2data</td>
      <td headers="_header3">
        <a>
          <img src="image1">
        </a>
    </tr>
  </tbody>
</table>

我需要提取表(table1)的表数据和id,然后将它们排列成一个Pandas数据框,类似这样:

id table data
table1 firstrowcolumn1data
table1 firstrowcolumn2data
table1 secondrowcolumn1data
table1 secondrowcolumn2data

我已经实施了针对我之前的问题给出的以下解决方案:

data = []
for table in s.find_all('table'):
    for td in table.find_all('td'):
        data.append((table.get('id'), td.text))
df = pd.DataFrame(data, columns=['id', 'table data'])

但是,我的输出如下:

id table data
None firstrowcolumn1data
None firstrowcolumn2data
None
None secondrowcolumn1data
None secondrowcolumn2data
None
table1 firstrowcolumn1data
table1 firstrowcolumn2data
table1
table1 secondrowcolumn1data
table1 secondrowcolumn2data
table1

请指教。

【问题讨论】:

我无法重现相同的错误数据帧。我通过运行您的代码得到的 datframe 看起来就像您预期的那样,有几行以 \n\n\n\n\n 作为内容。 您确定您提供的 HTML 与您使用的相同吗? @user17242583 我不能在这里展示整个代码,因为它太复杂了。鉴于我面临的其他挑战,我愿意接受以“无”为 id 的重复项 【参考方案1】:

试试这个:

df = df.assign(**'table data': df['table data'].str.replace(r'^\s+$', '', regex=True)).replace(None:np.nan,'':np.nan,'None':np.nan).dropna()

输出:

>>> df
        id            table-data
6   table1  firstrowcolumn1data 
7   table1  firstrowcolumn2data 
9   table1  secondrowcolumn1data
10  table1  secondrowcolumn2data

【讨论】:

以上是关于scala中怎么取rdd的前两列数据的主要内容,如果未能解决你的问题,请参考以下文章

使用 BeautifulSoup 从表的前两列中提取日期并将它们排列在 Pandas 数据框中,没有重复

spark总结5 RDD

如何使用 shell(awk、sed 等)删除文件中的前两列

表格怎么冻结前两行

为啥在尝试访问 HTML 表中的前两列时会出现错误?

删除同一目录中多个CSV文件中的前两列和最后一列