Pyspark 使用 ArrayWritable

Posted 2023-04-15

【中文标题】Pyspark 使用 ArrayWritable

【英文标题】：Pyspark usage of ArrayWritable

【发布时间】：2015-12-01 10:03:28

【问题描述】：

我尝试在 pyspark 上保存一个键值 RDD。 RDD 的每个单元格都有类型，用伪代码编写：

((str,str),(int,[(int,int),...]))`

我想把它保存在 hadoop 文件系统上。为此，我将列表转换为元组并调用.saveAsSequenceFile。但是使用sc.sequenceFile 重新加载rdd 失败并出现java.lang.RuntimeException: java.lang.NoSuchMethodException: org.apache.hadoop.io.ArrayWritable.<init>()。

这是一个尝试保存 (int,int) 的 RDD 的最小示例。

import pyspark as spark, math

scConf = spark.SparkConf().setAppName('minimal_example')
sc = spark.SparkContext( conf = scConf )

def divs( x ):
    for n in xrange(1, int(math.sqrt(x))+1 ):
        if x % n == 0: yield n
def constructor( i ):
    return ( i, tuple(divs(i)) )

rdd = sc.parallelize(map(constructor,range(2,61)))
rdd.saveAsSequenceFile("min.seq")

当我使用 sc.sequenceFile 通过交互式 pyspark 加载它时，它也失败了。怎么了？为什么它在 python 中尝试保存数组，而我实际上有元组。以及如何在 pyspark 中扩展 ArrayWritable 以获得默认构造函数？

【问题讨论】：

你能发布 sc.parallelize(map(constructor,range(2,61))).take(2) 吗？

【参考方案1】：

你真的需要序列文件吗？您可以保存AsTextFile、加载文本文件和映射以恢复值。

rdd.saveAsTextFile('test') 

sc.textFile('test').map(lambda row: ast.literal_eval(row))