Spark中sc.textFile和spark.read.text的区别

Question

我正在尝试将一个简单的文本文件读入 Spark RDD，我发现有两种方法：

from pyspark.sql import SparkSession
spark = SparkSession.builder.master("local[*]").getOrCreate()
sc = spark.sparkContext
textRDD1 = sc.textFile("hobbit.txt")
textRDD2 = spark.read.text('hobbit.txt').rdd

然后我查看数据，发现两个 RDD 的结构不同

textRDD1.take(5)

['The king beneath the mountain',
 'The king of carven stone',
 'The lord of silver fountain',
 'Shall come unto his own',
 'His throne shall be upholden']

textRDD2.take(5)

[Row(value='The king beneath the mountain'),
 Row(value='The king of carven stone'),
 Row(value='The lord of silver fountain'),
 Row(value='Shall come unto his own'),
 Row(value='His throne shall be upholden')]

基于此，必须更改所有后续处理以反映“值”的存在

我的问题是

• 使用这两种读取文本文件的方式意味着什么？
• 什么情况下应该使用哪种方法？

Answer 1

回答（a），

sc.textFile(...) 返回一个RDD[String]

textFile(String path, int minPartitions)

从 HDFS、本地文件系统（在所有节点上可用）或任何 Hadoop 支持的文件系统 URI 读取文本文件，并将其作为字符串的 RDD 返回。

spark.read.text(...) 返回 DataSet[Row] 或 DataFrame

text(String path)

加载文本文件并返回一个DataFrame，其模式以一个名为“value”的字符串列开头，如果有的话，后面是分区列。

对于 (b)，这实际上取决于您的用例。由于您尝试在此处创建 RDD，因此您应该使用sc.textFile。您始终可以将数据框转换为 rdd，反之亦然。