scala - 在 Spark 中将 Dataframe 转换为 Map(Key-Value)

Question

所以，我在 Spark 中有一个 DataFrame，它看起来像这样:

它有 30 列:只显示其中的一部分!

[ABCD,color,NORMAL,N,2015-02-20,1]
[XYZA,color,NORMAL,N,2015-05-04,1]
[GFFD,color,NORMAL,N,2015-07-03,1]
[NAAS,color,NORMAL,N,2015-08-26,1]
[LOWW,color,NORMAL,N,2015-09-26,1]
[KARA,color,NORMAL,N,2015-11-08,1]
[ALEQ,color,NORMAL,N,2015-12-04,1]
[VDDE,size,NORMAL,N,2015-12-23,1]
[QWER,color,NORMAL,N,2016-01-18,1]
[KDSS,color,NORMAL,Y,2015-08-29,1]
[KSDS,color,NORMAL,Y,2015-08-29,1]
[ADSS,color,NORMAL,Y,2015-08-29,1]
[BDSS,runn,NORMAL,Y,2015-08-29,1]
[EDSS,color,NORMAL,Y,2015-08-29,1]

因此，我必须将此数据帧转换为 Scala 中的键值对，使用键作为数据帧中的某些列，并将唯一值分配给从索引 0 到计数(不同数量的键)的键。

例如:使用上面的情况，我想在 Scala 中的 map(key-value) 集合中有一个输出，如下所示:

    ([ABC_color_NORMAL_N_1->0]
    [XYZA_color_NORMAL_N_1->1]
    [GFFD_color_NORMAL_N_1->2]
    [NAAS_color_NORMAL_N_1->3]
    [LOWW_color_NORMAL_N_1->4]
    [KARA_color_NORMAL_N_1->5]
    [ALEQ_color_NORMAL_N_1->6]
    [VDDE_size_NORMAL_N_1->7]
    [QWER_color_NORMAL_N_1->8]
    [KDSS_color_NORMAL_Y_1->9]
    [KSDS_color_NORMAL_Y_1->10]
    [ADSS_color_NORMAL_Y_1->11]
    [BDSS_runn_NORMAL_Y_1->12]
    [EDSS_color_NORMAL_Y_1->13]
    )

我是 Scala 和 Spark 的新手，我尝试做这样的事情。

 var map: Map[String, Int] = Map()
    var i = 0
    dataframe.foreach( record =>{
    //Is there a better way of creating a key!
        val key = record(0) + record(1) + record(2) + record(3)
        var index = i
        map += (key -> index)
        i+=1
          }
        )

但是，这不起作用。:/完成后， map 为空。

Answer 1

您代码中的主要问题是尝试修改在工作人员上执行的代码中在驱动程序端创建的变量。使用 Spark 时，您只能将 RDD 转换中的驱动程序端变量用作“只读”值。

具体来说:

map 是在驱动机器上创建的

映射(及其初始空值)被序列化并发送到工作节点

每个节点可能会更改 map (本地)

当 foreach 时结果就被扔掉了完成 - 结果不会发送回驱动程序。

要解决此问题 - 您应该选择返回更改的 RDD(例如 map )的转换来创建 key ，请使用 zipWithIndex添加正在运行的“ids”，然后使用 collectAsMap将所有数据作为 Map 返回给驱动程序:

val result: Map[String, Long] = dataframe
  .map(record => record(0) + record(1) + record(2) + record(3))
  .zipWithIndex()
  .collectAsMap()

至于 key 创建本身 - 假设您要包含前 5 列，并在它们之间添加分隔符( _ )，您可以使用:

record => record.toList.take(5).mkString("_")