Spark Dataset Foreach 函数不迭代

Question

上下文

我想遍历 Spark Dataset 并为每一行更新一个 HashMap。

这是我的代码：

// At this point, I have a my_dataset variable containing 300 000 rows and 10 columns
// - my_dataset.count() == 300 000
// - my_dataset.columns().length == 10

// Declare my HashMap
HashMap<String, Vector<String>> my_map = new HashMap<String, Vector<String>>();

// Initialize the map
for(String col : my_dataset.columns())
{
    my_map.put(col, new Vector<String>());
}

// Iterate over the dataset and update the map
my_dataset.foreach( (ForeachFunction<Row>) row -> {
    for(String col : my_map.KeySet())
    {
        my_map.get(col).add(row.get(row.fieldIndex(col)).toString());
    }
});

问题

我的问题是 foreach 根本不迭代，lambda 永远不会执行，我不知道为什么。
我按照此处的说明实现了它：How to traverse/iterate a Dataset in Spark Java?

最后，尽管 Dataset 不是，所有内部向量都保持为空（因为它们被初始化）（查看给定代码示例中的第一个 cmets）。

我知道 foreach 永远不会迭代，因为我做了两个测试：

• 添加一个AtomicInteger 来计算迭代次数，使用incrementAndGet() 方法在lambda 的开头将其递增。 => 计数器值在进程结束时保持0。
• 在 lambda 的开头打印一条调试消息。 => 消息永远不会显示。

我没有使用过 Java（更不用说使用 Java lambdas），所以我可能错过了一个重要的点，但我找不到什么。

Answer 1

我可能有点老派，但我从不太喜欢 lambda，因为它会变得非常复杂。

这是foreach()的完整示例：

package net.jgp.labs.spark.l240_foreach.l000;

import java.io.Serializable;

import org.apache.spark.api.java.function.ForeachFunction;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.SparkSession;

public class ForEachBookApp implements Serializable {
  private static final long serialVersionUID = -4250231621481140775L;

  private final class BookPrinter implements ForeachFunction<Row> {
    private static final long serialVersionUID = -3680381094052442862L;

    @Override
    public void call(Row r) throws Exception {
      System.out.println(r.getString(2) + " can be bought at " + r.getString(
          4));
    }
  }

  public static void main(String[] args) {
    ForEachBookApp app = new ForEachBookApp();
    app.start();
  }

  private void start() {
    SparkSession spark = SparkSession.builder().appName("For Each Book").master(
        "local").getOrCreate();

    String filename = "data/books.csv";
    Dataset<Row> df = spark.read().format("csv").option("inferSchema", "true")
        .option("header", "true")
        .load(filename);
    df.show();

    df.foreach(new BookPrinter());
  }
}

如您所见，此示例读取一个 CSV 文件并从数据中打印一条消息。这很简单。

foreach() 实例化一个新类，工作已在其中完成。

df.foreach(new BookPrinter());

工作在类的call()方法中完成：

  private final class BookPrinter implements ForeachFunction<Row> {

    @Override
    public void call(Row r) throws Exception {
...
    }
  }

由于您是 Java 新手，请确保您拥有正确的签名（用于类和方法）和正确的导入。

您也可以从https://github.com/jgperrin/net.jgp.labs.spark/tree/master/src/main/java/net/jgp/labs/spark/l240_foreach/l000 克隆示例。这应该可以帮助您处理foreach()。