在 Spark 中使用 Scala 转换数据

Question

我正在尝试将输入文本文件转换为键/值 RDD，但下面的代码不起作用。（文本文件是制表符分隔的文件。）我真的是 Scala 和 Spark 的新手，所以我会非常感谢您的帮助。

import org.apache.spark.{SparkConf, SparkContext}
import scala.io.Source

object shortTwitter {

  def main(args: Array[String]): Unit = {
    for (line <- Source.fromFile(args(1).txt).getLines()) {
      val newLine = line.map(line =>
      val p = line.split("\t")
      (p(0).toString, p(1).toInt)
      )
}

    val sparkConf = new SparkConf().setAppName("ShortTwitterAnalysis").setMaster("local[2]")
    val sc = new SparkContext(sparkConf)
    val text = sc.textFile(args(0))
    val counts = text.flatMap(line => line.split("\t"))
  }
}

Answer 1

我假设您希望生成的 RDD 具有 RDD[(String, Int)] 类型，所以 -

• 您应该使用map（将每条记录转换为一条新记录）而不是flatMap（将每条记录转换为多个记录）
• 您应该将split 的结果映射到一个元组中

总共：

val counts = text
  .map(line => line.split("\t"))
  .map(arr => (arr(0), arr(1).toInt))

EDIT 根据评论中的说明：如果您也有兴趣修复非 Spark 部分（按顺序读取文件），那么您在理解语法中会遇到一些错误，这里是整件事：

def main(args: Array[String]): Unit = {
  // read the file without Spark (not necessary when using Spark):
  val countsWithoutSpark: Iterator[(String, Int)] = for {
    line <- Source.fromFile(args(1)).getLines()
  } yield {
    val p = line.split("\t")
    (p(0), p(1).toInt)
  }

  // equivalent code using Spark:
  val sparkConf = new SparkConf().setAppName("ShortTwitterAnalysis").setMaster("local[2]")
  val sc = new SparkContext(sparkConf)
  val counts: RDD[(String, Int)] = sc.textFile(args(0))
    .map(line => line.split("\t"))
    .map(arr => (arr(0), arr(1).toInt))
}