- 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?
考虑以下示例:
JavaPairRDD<String, Row> R = input.textFile("test").mapToPair(new PairFunction<String, String, Row>() {
public Tuple2<String, Row> call(String arg0) throws Exception {
String[] parts = arg0.split(" ");
Row r = RowFactory.create(parts[0],parts[1]);
return new Tuple2<String, Row>(r.get(0).toString(), r);
}}).partitionBy(new HashPartitioner(20));
上面的代码创建了一个名为 R
的 RDD,它通过对名为“test”的 txt 文件的第一列进行散列而被分成 20 block 。
考虑 test.txt
文件具有以下形式:
...
valueA1 valueB1
valueA1 valueB2
valueA1 valueB3
valueA1 valueB4
...
在我的上下文中,我有一个已知值,例如 valueA1,我想检索所有其他值。通过使用具有指定值的现有过滤器操作来完成它是微不足道的。但是,我想避免这种情况,因为基本上过滤操作将在整个 RDD 上执行。
假设 hash(valueA1)=3,我只想在分区 3 上执行给定的操作。更一般地说,我有兴趣从 RDD 中删除/选择特定分区并对其执行操作。
从 SPARK API 看来,它似乎是不可能直接实现同样的事情的解决方法吗?
最佳答案
对于单个键,您可以使用lookup
方法:
rdd.lookup("a")
// Seq[Int] = ArrayBuffer(1, 4)
为了高效查找,您需要一个分区的 RDD,例如使用如下所示的 HashPartitioner
。
如果您只想过滤包含特定键的分区,可以使用 mapPartitionsWithIndex
来完成:
import org.apache.spark.HashPartitioner
val rdd = sc.parallelize(
Seq(("a", 1), ("b", 2), ("c", 3), ("a", 4), ("b", 5)
// A particular number is used only to get a reproducible output
)).partitionBy(new HashPartitioner(8))
val keys = Set("a", "c")
val parts = keys.map(_.## % rdd.partitions.size)
rdd.mapPartitionsWithIndex((i, iter) =>
if (parts.contains(i)) iter.filter{ case (k, _) => keys.contains(k) }
else Iterator()
).collect
// Array[(String, Int)] = Array((a,1), (a,4), (c,3))
关于java - 如何根据给定分区过滤 RDD?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/33944721/
我是 Pyspark 新手,我使用的是 Spark 2.0.2。 我有一个名为 Test_RDD 的 RDD,其结构如下: U-Key || V1 || V2 || V3 || ----
我正在寻找一种方法将一个 RDD 拆分为两个或多个 RDD,并将获得的结果保存为两个单独的 RDD。例如: rdd_test = sc.parallelize(range(50), 1) 我的代码:
我有一个结构如下的RDD: ((user_id,item_id,rating)) 让我们将此 RDD 称为训练 然后还有另一个具有相同结构的rdd: ((user_id,item_id,rating)
已经有人问过类似的问题。最相似的是这个: Spark: How to split an RDD[T]` into Seq[RDD[T]] and preserve the ordering 但是,我不
我正在使用 spark 来处理数据。但是我不知道如何将新数据保存到Hive 我从 Hive 加载 rdd,然后运行 map 函数来清理数据。 result = myRdd.map(lambda x
我有一个名为 index 的 rdd:RDD[(String, String)],我想用 index 来处理我的文件。 这是代码: val get = file.map({x => val tmp
我有两个 RDD: **rdd1** id1 val1 id2 val2 **rdd2** id1 v1 id2 v2 id1 v3 id8 v7 id1 v4 id3 v5 id6 v6 我想过滤
我有一个 RDD,需要从另一个 RDD 访问数据。但是,我总是收到任务不可序列化错误。我已经扩展了 Serialized 类,但它没有起作用。代码是: val oldError = rddOfRati
我有一个 RDD,需要从另一个 RDD 访问数据。但是,我总是收到任务不可序列化错误。我已经扩展了 Serialized 类,但它没有起作用。代码是: val oldError = rddOfRati
我有一个 RDD 对: (105,918) (105,757) (502,516) (105,137) (516,816) (350,502) 我想将它分成两个 RDD,这样第一个只有具有非重复值的对
我正在尝试使用 spark 执行 K 最近邻搜索。 我有一个 RDD[Seq[Double]] 并且我打算返回一个 RDD[(Seq[Double],Seq[Seq[Double]])] 带有实际行和
我是Spark和Scala语言的新手,并且希望将所有RDD合并到一个List中,如下所示(List to RDD): val data = for (item {
我找不到只参与 rdd 的方法. take看起来很有希望,但它返回 list而不是 rdd .我当然可以将其转换为 rdd ,但这似乎既浪费又丑陋。 my_rdd = sc.textFile("my
我正在寻找一种将 RDD 拆分为两个或更多 RDD 的方法。我见过的最接近的是 Scala Spark: Split collection into several RDD?这仍然是一个单一的 RDD
我有一个RDD[String],wordRDD。我还有一个从字符串/单词创建 RDD[String] 的函数。我想为 wordRDD 中的每个字符串创建一个新的 RDD。以下是我的尝试: 1) 失败,
我刚刚开始使用 Spark 和 Scala 我有一个包含多个文件的目录我使用 成功加载它们 sc.wholeTextFiles(directory) 现在我想升一级。我实际上有一个目录,其中包含包含文
我想从另一个 RDD 中减去一个 RDD。我查看了文档,发现 subtract可以这样做。实际上,当我测试时 subtract , 最终的 RDD 保持不变,值不会被删除! 有没有其他功能可以做到这一
我在 HDFS 中有如下三个文件中的数据 EmployeeManagers.txt (EmpID,ManagerID) 1,5 2,4 3,4 4,6 5,6 EmployeeNames.txt (E
我正在开发一个应用程序,我需要对 RDD 中具有相同键的每对行执行计算,这是 RDD 结构: List>> dat2 = new ArrayList<>(); dat2.add(new Tuple2>
我在 spark 集群中有两个文件,foo.csv 和 bar.csv,它们都有 4 列和完全相同的字段:时间、用户、url、类别。 我想通过 bar.csv 的某些列过滤掉 foo.csv。最后,我
我是一名优秀的程序员,十分优秀!