Python Spark如何将一个rdd的字段映射到另一个rdd

Question

根据上述主题，我对 python spark 非常陌生，我想将一个 Rdd 的字段映射到另一个 Rdd 的字段。示例如下

rdd1:

c_id    name 
121210  abc
121211  pqr

rdd2:

c_id   cn_id cn_value
121211  0     0
121210  0     1

所以匹配的 c_id 将被 name 替换为 cnid 和聚合的 cn_value。所以输出会像这样 abc 0 0 pqr 0 1

from pyspark import SparkContext
import csv
sc = SparkContext("local", "spark-App")
file1 = sc.textFile('/home/hduser/sample.csv').map(lambda line:line.split(',')).filter(lambda line:len(line)>1)
file2 = sc.textFile('hdfs://localhost:9000/sample2/part-00000').map(lambda line:line.split(','))
file1_fields = file1.map(lambda x: (x[0],x[1]))
file2_fields = file2.map(lambda x: (x[0],x[1],float(x[2])))

我怎样才能通过在这里放一些代码来实现我的目标。

任何帮助将不胜感激 谢谢你

Answer 1

您要查找的操作称为join。鉴于您的结构，最好使用DataFrames 和spark-csv（我假设第二个文件也是逗号分隔的，但没有标题）。让我们从虚拟数据开始：

file1 = ... # path to the first file
file2 = ... # path to the second file

with open(file1, "w") as fw:
    fw.write("c_id,name\n121210,abc\n121211,pqr")

with open(file2, "w") as fw:
    fw.write("121211,0,0\n121210,0,1")

读取第一个文件：

df1 = (sqlContext.read 
    .format('com.databricks.spark.csv')
    .options(header='true', inferSchema='true')
    .load(file1))

加载第二个文件：

schema = StructType(
    [StructField(x, LongType(), False) for x in ("c_id", "cn_id", "cn_value")])

df2 = (sqlContext.read 
    .format('com.databricks.spark.csv')
    .schema(schema)
    .options(header='false')
    .load(file2))

终于加入：

combined = df1.join(df2, df1["c_id"] == df2["c_id"])
combined.show()

## +------+----+------+-----+--------+
## |  c_id|name|  c_id|cn_id|cn_value|
## +------+----+------+-----+--------+
## |121210| abc|121210|    0|       1|
## |121211| pqr|121211|    0|       0|
## +------+----+------+-----+--------+

编辑：

使用 RDD，您可以执行以下操作：

file1_fields.join(file2_fields.map(lambda x: (x[0], x[1:])))