- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我有一个包含超过 20GB json 结构元数据的大型 json 文件。它包含跨某些应用程序的简单用户元数据,我想筛选它以检测重复项。以下是数据的示例:
{"created": "2015-08-04", "created_at": "2010-03-15", "username": "koleslawrulez333"}
{"created": "2016-01-19", "created_at": "2012-05-25", "name": "arthurking231"}
{"created": "2016-07-23", "type": "Username", "created_at": "2011-08-27", "name": "starklord1943"}
{"created": "2015-11-08", "created_at": "2010-01-19", "name": "Assasinator5827"}
json 文件逐行包含看起来与此非常相似的 json 对象。 "name"
时出现重复两个 json 对象的字段相同。所以,这是一个副本:
{"created": "2016-07-23", "type": "Username", "created_at": "2011-08-27", "name": "Assasinator5827"}
{"created": "2015-11-08", "created_at": "2010-01-19", "name": "Assasinator5827"}
只要两个完全相同的json对象。
现在,我想遍历一个太大而无法放入内存的整个 json 文件,并通过使用最佳标准找出所有重复项以及它们的重复项 和然后做一些逻辑 - 逻辑部分很简单,但我有点不确定如何找到重复项。
我的想法:
我首先考虑使用布隆过滤器。它们并没有那么令人困惑,并且工作得很好而且速度很快,而且我认为它们本质上可以归结为 O(n)。但是,布隆过滤器不会让我知道重复的字符串是什么的重复项,这对我来说是不可能的。
我考虑过使用外部归并排序。我基本上会将文件分成多个适合内存的较小文件,对每个 block 进行排序并搜索重复项(现在聚集在一起)。但我不太确定这个实现是我想要的。
我遇到的下一件事是按分区散列,我怀疑这正是我想要的。在处理适合内存的数据时,散列本质上是查找重复项的最佳方式,那么为什么不将它用于不适合内存的数据呢?我对如何按分区散列有点困惑。我不确定这是否是我要找的。
所以,我认为我应该使用选项 3,按分区散列,而且我知道 Spark 有这个功能。我希望是否有人可以让我知道我是否在正确的轨道上,并且可能会给我一些指示,说明我是否正确。从概念上讲,我有几个具体问题:
假设我创建了 100 个完全适合内存的分区(因此,在我的例子中,每个分区为 100MB)。假设我对第一个 x
进行哈希处理我的 json 文件中的元素合并到一个分区中,我发现没有重复项。假设我有另一个分区,其中包含第二个 100MB 的数据,其中也不包含重复项。如果我一次只能加载 100MB 的数据,我如何检查分区 1 和分区 2 之间没有任何重复?澄清一下,如果分区 1 有一个元素而分区 2 有一个相同的元素,我该如何计算出来?我想我需要将两者都加载到内存中,对吗?如果我做不到……那我该怎么办?可能是我理解错了...
这引出了我的第二个问题 - 这似乎不是分区的工作方式,当您按分区散列时,具有相似散列或散列范围的元素会进入特定文件。因此,如果两个元素重复,我会知道,因为算法会尝试将其放入散列已存在的文件中。是这样吗?
我知道我还有更多问题,只是想不起来了。有没有人有任何提示?特别是关于 pyspark 以及如何最好地使用它?或者 pyspark 不是我要找的东西?
最佳答案
这个问题比你想象的要简单。您实际上只需要按照@Hitobat 的建议按 name
聚合数据。我会用 pyspark.sql.Window
来解决这个问题,以简化聚合输出。
给定以下数据是一个名为 data.json
的文件(这也可以是一个文件目录,而不是单个文件)
data.json
的内容
{"created": "2015-08-04", "created_at": "2010-03-15", "username": "koleslawrulez333"}
{"created": "2016-01-19", "created_at": "2012-05-25", "name": "arthurking231"}
{"created": "2016-07-23", "type": "Username", "created_at": "2011-08-27", "name": "starklord1943"}
{"created": "2015-11-08", "created_at": "2010-01-19", "name": "Assasinator5827"}
{"created": "2016-07-23", "type": "Username", "created_at": "2011-08-27", "name": "Assasinator5827"}
那么 pyspark 代码将如下所示:
from pyspark.sql import Window
from pyspark.sql import functions as F
df = spark.read.json("data.json") # can be a directory of files as well
df.show()
输出
+----------+----------+---------------+--------+----------------+
| created|created_at| name| type| username|
+----------+----------+---------------+--------+----------------+
|2015-08-04|2010-03-15| null| null|koleslawrulez333|
|2016-01-19|2012-05-25| arthurking231| null| null|
|2016-07-23|2011-08-27| starklord1943|Username| null|
|2015-11-08|2010-01-19|Assasinator5827| null| null|
|2016-07-23|2011-08-27|Assasinator5827|Username| null|
+----------+----------+---------------+--------+----------------+
然后用pyspark.sql.Window
进行分区和计数
name_partition_window = Window.partitionBy("name")
df_with_repeat_counts = df.select("*", F.count("*").over(name_partition_window).alias("name_counts"))
df_with_repeat_counts.show()
输出
+----------+----------+---------------+--------+----------------+-----------+
| created|created_at| name| type| username|name_counts|
+----------+----------+---------------+--------+----------------+-----------+
|2016-01-19|2012-05-25| arthurking231| null| null| 1|
|2015-08-04|2010-03-15| null| null|koleslawrulez333| 1|
|2015-11-08|2010-01-19|Assasinator5827| null| null| 2|
|2016-07-23|2011-08-27|Assasinator5827|Username| null| 2|
|2016-07-23|2011-08-27| starklord1943|Username| null| 1|
+----------+----------+---------------+--------+----------------+-----------+
然后在name_count
列过滤dataframe,并按name排序检查
duplicates = df_with_repeat_counts.where(F.col("name_counts") > 1).orderBy("name")
duplicates.show()
输出
+----------+----------+---------------+--------+--------+-----------+
| created|created_at| name| type|username|name_counts|
+----------+----------+---------------+--------+--------+-----------+
|2015-11-08|2010-01-19|Assasinator5827| null| null| 2|
|2016-07-23|2011-08-27|Assasinator5827|Username| null| 2|
+----------+----------+---------------+--------+--------+-----------+
此时,您可以根据用例的需要分析duplicates
数据框。
关于python - 如何使用 PySpark HashPartitioner 检测大型 json 文件中的重复项,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/55857418/
我在网上搜索但没有找到任何合适的文章解释如何使用 javascript 使用 WCF 服务,尤其是 WebScriptEndpoint。 任何人都可以对此给出任何指导吗? 谢谢 最佳答案 这是一篇关于
我正在编写一个将运行 Linux 命令的 C 程序,例如: cat/etc/passwd | grep 列表 |剪切-c 1-5 我没有任何结果 *这里 parent 等待第一个 child (chi
所以我正在尝试处理文件上传,然后将该文件作为二进制文件存储到数据库中。在我存储它之后,我尝试在给定的 URL 上提供文件。我似乎找不到适合这里的方法。我需要使用数据库,因为我使用 Google 应用引
我正在尝试制作一个宏,将下面的公式添加到单元格中,然后将其拖到整个列中并在 H 列中复制相同的公式 我想在 F 和 H 列中输入公式的数据 Range("F1").formula = "=IF(ISE
问题类似于this one ,但我想使用 OperatorPrecedenceParser 解析带有函数应用程序的表达式在 FParsec . 这是我的 AST: type Expression =
我想通过使用 sequelize 和 node.js 将这个查询更改为代码取决于在哪里 select COUNT(gender) as genderCount from customers where
我正在使用GNU bash,版本5.0.3(1)-发行版(x86_64-pc-linux-gnu),我想知道为什么简单的赋值语句会出现语法错误: #/bin/bash var1=/tmp
这里,为什么我的代码在 IE 中不起作用。我的代码适用于所有浏览器。没有问题。但是当我在 IE 上运行我的项目时,它发现错误。 而且我的 jquery 类和 insertadjacentHTMl 也不
我正在尝试更改标签的innerHTML。我无权访问该表单,因此无法编辑 HTML。标签具有的唯一标识符是“for”属性。 这是输入和标签的结构:
我有一个页面,我可以在其中返回用户帖子,可以使用一些 jquery 代码对这些帖子进行即时评论,在发布新评论后,我在帖子下插入新评论以及删除 按钮。问题是 Delete 按钮在新插入的元素上不起作用,
我有一个大约有 20 列的“管道分隔”文件。我只想使用 sha1sum 散列第一列,它是一个数字,如帐号,并按原样返回其余列。 使用 awk 或 sed 执行此操作的最佳方法是什么? Accounti
我需要将以下内容插入到我的表中...我的用户表有五列 id、用户名、密码、名称、条目。 (我还没有提交任何东西到条目中,我稍后会使用 php 来做)但由于某种原因我不断收到这个错误:#1054 - U
所以我试图有一个输入字段,我可以在其中输入任何字符,但然后将输入的值小写,删除任何非字母数字字符,留下“。”而不是空格。 例如,如果我输入: 地球的 70% 是水,-!*#$^^ & 30% 土地 输
我正在尝试做一些我认为非常简单的事情,但出于某种原因我没有得到想要的结果?我是 javascript 的新手,但对 java 有经验,所以我相信我没有使用某种正确的规则。 这是一个获取输入值、检查选择
我想使用 angularjs 从 mysql 数据库加载数据。 这就是应用程序的工作原理;用户登录,他们的用户名存储在 cookie 中。该用户名显示在主页上 我想获取这个值并通过 angularjs
我正在使用 autoLayout,我想在 UITableViewCell 上放置一个 UIlabel,它应该始终位于单元格的右侧和右侧的中心。 这就是我想要实现的目标 所以在这里你可以看到我正在谈论的
我需要与 MySql 等效的 elasticsearch 查询。我的 sql 查询: SELECT DISTINCT t.product_id AS id FROM tbl_sup_price t
我正在实现代码以使用 JSON。 func setup() { if let flickrURL = NSURL(string: "https://api.flickr.com/
我尝试使用for循环声明变量,然后测试cols和rols是否相同。如果是,它将运行递归函数。但是,我在 javascript 中执行 do 时遇到问题。有人可以帮忙吗? 现在,在比较 col.1 和
我举了一个我正在处理的问题的简短示例。 HTML代码: 1 2 3 CSS 代码: .BB a:hover{ color: #000; } .BB > li:after {
我是一名优秀的程序员,十分优秀!