pyspark RDD 将一行扩展为多行

Question

我在 pyspark 中有以下 RDD，我相信这应该很简单，但一直无法弄清楚：

information = [ (10, 'sentence number one'),
                (17, 'longer sentence number two') ]

rdd = sc.parallelize(information)

我需要应用一个转换，将 RDD 变成这样：

[ ('sentence', 10),
  ('number', 10),
  ('one', 10),
  ('longer', 17),
  ('sentence', 17),
  ('number', 17),
  ('two', 17) ]

基本上把一个句子的key扩展成多行，以单词为key。

我想避免使用 SQL。

Answer 1

使用flatMap:

rdd.flatMap(lambda x: [(w, x[0]) for w in x[1].split()])

示例：

rdd.flatMap(lambda x: [(w, x[0]) for w in x[1].split()]).collect()
# [('sentence', 10), ('number', 10), ('one', 10), ('longer', 17), ('sentence', 17), ('number', 17), ('two', 17)]