- 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?
下面的代码将字符串列表分组为类型 List[(String, List[String])]在长度为 5 的 String 中遇到所有大写的地方,这就是标识符,标识符后面的所有数据都被分组到一个列表中。每个组的终止因素是遇到空行。所以下面的“行”被转换为:
(IDENT,List(p1text, p2text))
(IDENY,List(p2text, p3text, p4text))
在 Scala/Spark 中是否有更惯用的方法来实现这一点? 可能使用带有谓词的 groupBy
调用?
理想情况下,数据结构的类型应该是 RDD[(String, List[String])] 而不是 List[(String, List[String])]
val lines = List[String]("line1",
" ",
"line2",
" ",
" IDENT",
"p1text",
"p2text",
" ",
" IDENY",
"p2text",
"p3text",
"p4text",
" ",
"some text") //> lines : List[String] = List(line1, "
//|
//|
//| ", line2, "
//|
//|
//| ", " IDENT", p1text, p2text, "
//|
//|
//| ", " IDENY", p2text, p3text, p4text, "
//| ", some text)
def getItems(i: Int): List[String] = {
var iter = i;
val l = new scala.collection.mutable.ArrayBuffer[String]()
while (!lines(iter).trim.isEmpty) {
iter = iter + 1
if(!lines(iter).trim.isEmpty)
l.append(lines(iter).trim)
}
l.toList
} //> getItems: (i: Int)List[String]
val regex = "\\w{5}" //> regex : String = \w{5}
val u: List[(String , List[String])] = lines.zipWithIndex.map({
case (s, i) => {
if (s.trim.toUpperCase.matches(regex)) {
(s.trim, getItems(i))
} else {
("" , List())
}
}
}) //> u : List[(String, List[String])] = List((line1,List()), ("",List()), (line
//| 2,List()), ("",List()), (IDENT,List(p1text, p2text)), ("",List()), ("",List
//| ()), ("",List()), (IDENY,List(p2text, p3text, p4text)), ("",List()), ("",Li
//| st()), ("",List()), ("",List()), ("",List()))
val fi : List[(String, List[String])] = u.filterNot(f => f._2.isEmpty || f._2(0).trim.isEmpty)
//> fi : List[(String, List[String])] = List((IDENT,List(p1text, p2text)), (ID
//| ENY,List(p2text, p3text, p4text)))
fi.foreach(println) //> (IDENT,List(p1text, p2text))
//| (IDENY,List(p2text, p3text, p4text))
最佳答案
您可以从在 Scala 中编写拆分的惯用方法开始:作为递归函数。
def getItems(l: List[String]): List[(String, List[String])] = {
if (l.isEmpty) List()
else {
val caps = "[A-Z]+".r
val (beg, end) = l.span(_.trim.nonEmpty)
if (beg.nonEmpty)
beg.head.trim match {
case caps() => (beg.head.trim, beg.tail) :: getItems(end.drop(1))
case _ => getItems(end.drop(1))
}
else
getItems(end.tail)
}
}
然后你可以通过使它成为一个尾递归函数来加速它。
import scala.annotation.tailrec
def getItemsFast(l: List[String]): List[(String, List[String])] = {
@tailrec
def getItemsAux(l: List[String], res: List[(String, List[String])]): List[(String, List[String])] = {
if (l.isEmpty) res.reverse
else {
val caps = "[A-Z]+".r
val (beg, end) = l.span(_.trim.nonEmpty)
if (beg.nonEmpty)
beg.head.trim match {
case caps() => getItemsAux(end.drop(1), (beg.head.trim, beg.tail)::res)
case _ => getItemsAux(end.drop(1), res)
}
else
getItemsAux(end.tail, res)
}
}
getItemsAux(l,List())
}
然后,如果您有行的 RDD,在 Spark 中检索它的简单方法(但不正确,见下文)是在您的 RDD 上mapPartition
。
myRDDOfLines.mapPartitions(lines => {
getItemsFast(lines)
})
这应该大部分工作,但是这将无法注意到已分区的记录,例如标识符位于一个分区中,但一些“它的”行在下一个分区中尾随。
错误在于您将记录构建为可分区单元的方式:您真正想要的是记录的 RDD(一条记录是上面输出列表的一个元素,应该清楚键和值应该是什么) .这不是 sc.textFile
给你的。有很多方法可以更好地将数据加载到 Spark 中。例如,您可以:
wholeTextFiles
TextInputFormat
和 RecordReader
hadoop.Configuration
对象提供分隔符。 ..关于scala - 使用 Scala/Apache Spark 对数据进行分组,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/27963221/
我喜欢 smartcase,也喜欢 * 和 # 搜索命令。但我更希望 * 和 # 搜索命令区分大小写,而/和 ?搜索命令遵循 smartcase 启发式。 是否有隐藏在某个地方我还没有找到的设置?我宁
关闭。这个问题是off-topic .它目前不接受答案。 想改进这个问题? Update the question所以它是on-topic对于堆栈溢出。 10年前关闭。 Improve this qu
从以下网站,我找到了执行java AD身份验证的代码。 http://java2db.com/jndi-ldap-programming/solution-to-sslhandshakeexcepti
似乎 melt 会使用 id 列和堆叠的测量变量 reshape 您的数据框,然后通过转换让您执行聚合。 ddply,从 plyr 包看起来非常相似..你给它一个数据框,几个用于分组的列变量和一个聚合
我的问题是关于 memcached。 Facebook 使用 memcached 作为其结构化数据的缓存,以减少用户的延迟。他们在 Linux 上使用 UDP 优化了 memcached 的性能。 h
在 Camel route ,我正在使用 exec 组件通过 grep 进行 curl ,但使用 ${HOSTNAME} 的 grep 无法正常工作,下面是我的 Camel 路线。请在这方面寻求帮助。
我正在尝试执行相当复杂的查询,在其中我可以排除与特定条件集匹配的项目。这是一个 super 简化的模型来解释我的困境: class Thing(models.Model) user = mod
我正在尝试执行相当复杂的查询,我可以在其中排除符合特定条件集的项目。这里有一个 super 简化的模型来解释我的困境: class Thing(models.Model) user = mod
我发现了很多嵌入/内容项目的旧方法,并且我遵循了在这里找到的最新方法(我假设):https://blog.angular-university.io/angular-ng-content/ 我正在尝试
我正在寻找如何使用 fastify-nextjs 启动 fastify-cli 的建议 我曾尝试将代码简单地添加到建议的位置,但它不起作用。 'use strict' const path = req
我正在尝试将振幅 js 与 React 和 Gatsby 集成。做 gatsby developer 时一切看起来都不错,因为它发生在浏览器中,但是当我尝试 gatsby build 时,我收到以下错
我试图避免过度执行空值检查,但同时我想在需要使代码健壮的时候进行空值检查。但有时我觉得它开始变得如此防御,因为我没有实现 API。然后我避免了一些空检查,但是当我开始单元测试时,它开始总是等待运行时异
尝试进行包含一些 NOT 的 Kibana 搜索,但获得包含 NOT 的结果,因此猜测我的语法不正确: "chocolate" AND "milk" AND NOT "cow" AND NOT "tr
我正在使用开源代码共享包在 iOS 中进行 facebook 集成,但收到错误“FT_Load_Glyph failed: glyph 65535: error 6”。我在另一台 mac 机器上尝试了
我正在尝试估计一个标准的 tobit 模型,该模型被审查为零。 变量是 因变量 : 幸福 自变量 : 城市(芝加哥,纽约), 性别(男,女), 就业(0=失业,1=就业), 工作类型(失业,蓝色,白色
我有一个像这样的项目布局 样本/ 一种/ 源/ 主要的/ java / java 资源/ .jpg 乙/ 源/ 主要的/ java / B.java 资源/ B.jpg 构建.gradle 设置.gr
如何循环遍历数组中的多个属性以及如何使用map函数将数组中的多个属性显示到网页 import React, { Component } from 'react'; import './App.css'
我有一个 JavaScript 函数,它进行 AJAX 调用以返回一些数据,该调用是在选择列表更改事件上触发的。 我尝试了多种方法来在等待时显示加载程序,因为它当前暂停了选择列表,从客户的 Angul
可能以前问过,但找不到。 我正在用以下形式写很多语句: if (bar.getFoo() != null) { this.foo = bar.getFoo(); } 我想到了三元运算符,但我认
我有一个表单,在将其发送到 PHP 之前我正在执行一些验证 JavaScript,验证后的 JavaScript 函数会发布用户在 中输入的文本。页面底部的标签;然而,此消息显示短暂,然后消失...
我是一名优秀的程序员,十分优秀!