Python Spark如何将一个rdd的字段映射到另一个rdd

Question

我对 python Spark 非常陌生，按照上面的主题，我想将一个 Rdd 的字段映射到另一个 Rdd 的字段。这是示例

rdd1:

c_id    name 
121210  abc
121211  pqr

rdd2:

c_id   cn_id cn_value
121211  0     0
121210  0     1

因此，匹配的 c_id 将用 cnid 替换 name，并聚合 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])))

如何通过在此处放置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

您正在寻找的操作称为join。给定您的结构，最好使用 DataFrames和 spark-csv (我假设第二个文件也以逗号分隔，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))

最后加入:

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:])))