DataFrame 到 RDD[(String, String)] 的转换

Question

我想在 Databricks 中将 org.apache.spark.sql.DataFrame 转换为 org.apache.spark.rdd.RDD[(String, String)]。有人可以帮忙吗？

背景（也欢迎更好的解决方案）：我有一个 Kafka 流，它（经过一些步骤）变成了 2 列数据框。我想把它放到一个 Redis 缓存中，第一列作为键，第二列作为值。

更具体地说输入的类型是这样的：lastContacts: org.apache.spark.sql.DataFrame = [serialNumber: string, lastModified: bigint]。我尝试按如下方式放入 Redis：

sc.toRedisKV(lastContacts)(redisConfig)

错误信息如下所示：

notebook:20: error: type mismatch;
 found   : org.apache.spark.sql.DataFrame
    (which expands to)  org.apache.spark.sql.Dataset[org.apache.spark.sql.Row]
 required: org.apache.spark.rdd.RDD[(String, String)]
sc.toRedisKV(lastContacts)(redisConfig)

我已经尝试过一些想法（例如函数 .rdd），但没有任何帮助。

Answer 1

如果要将行映射到不同的 RDD 元素，可以使用 df.map(row => ...) 将数据帧转换为 RDD。

例如：

val df = Seq(("table1",432),
      ("table2",567),
      ("table3",987),
      ("table1",789)).
      toDF("tablename", "Code").toDF()

    df.show()

    +---------+----+
|tablename|Code|
+---------+----+
|   table1| 432|
|   table2| 567|
|   table3| 987|
|   table1| 789|
+---------+----+

    val rddDf = df.map(r => (r(0), r(1))).rdd // Type:RDD[(Any,Any)]

    OR

    val rdd = df.map(r => (r(0).toString, r(1).toString)).rdd  //Type: RDD[(String,String)]

请参考https://community.hortonworks.com/questions/106500/error-in-spark-streaming-kafka-integration-structu.html关于AnalysisException: 必须使用writeStream.start() 执行带有流源的查询

您需要使用 query 等待查询终止。awaitTermination() 在查询处于活动状态时防止进程退出。