Spark RDD - 使用额外参数进行映射
Posted
技术标签:
【中文标题】Spark RDD - 使用额外参数进行映射【英文标题】:Spark RDD - Mapping with extra arguments 【发布时间】:2016-01-06 06:57:30 【问题描述】:是否可以将额外的参数传递给 pySpark 中的映射函数? 具体来说,我有以下代码配方:
raw_data_rdd = sc.textFile("data.json", use_unicode=True)
json_data_rdd = raw_data_rdd.map(lambda line: json.loads(line))
mapped_rdd = json_data_rdd.flatMap(processDataLine)
processDataLine
函数除了 JSON 对象外还接受额外的参数,如:
def processDataLine(dataline, arg1, arg2)
如何将额外的参数 arg1
和 arg2
传递给 flaMap
函数?
【问题讨论】:
考虑阅读this 感谢@AvihooMamka。据我了解,我需要使用部分功能。但我不知道如何将它应用到我的案例中? 广播后为什么不将processDataLine函数和你想要的参数发送给partial函数呢? 【参考方案1】:您可以直接在 flatMap
中使用匿名函数
json_data_rdd.flatMap(lambda j: processDataLine(j, arg1, arg2))
或咖喱processDataLine
f = lambda j: processDataLine(dataline, arg1, arg2)
json_data_rdd.flatMap(f)
你可以像这样生成processDataLine
:
def processDataLine(arg1, arg2):
def _processDataLine(dataline):
return ... # Do something with dataline, arg1, arg2
return _processDataLine
json_data_rdd.flatMap(processDataLine(arg1, arg2))
toolz
库提供了有用的curry
装饰器:
from toolz.functoolz import curry
@curry
def processDataLine(arg1, arg2, dataline):
return ... # Do something with dataline, arg1, arg2
json_data_rdd.flatMap(processDataLine(arg1, arg2))
请注意,我已将 dataline
参数推到最后一个位置。这不是必需的,但这样我们就不必使用关键字 args。
最后在 cmets 中 Avihoo Mamka 已经提到了 functools.partial
。
【讨论】:
@guilhermecgs 您可以在本地集合上对此进行基准测试,但显式嵌套(2.)应该是最有效的,其次是使用匿名函数(1.)Currying / partials 可能会稍微慢一些,因为机制要多得多比前两个复杂。并不是说我真的会在这里担心。以上是关于Spark RDD - 使用额外参数进行映射的主要内容,如果未能解决你的问题,请参考以下文章
PySpark 将 Dataframe 作为额外参数传递给映射