将数据从 2 个 RDD（一个带有 unicode 数据，一个带有普通数据）写入 PySpark 中的 csv 文件时出现问题？

Question

我有两个RDD's：

RDD1:RDD1 中的数据为 unicode 格式

[[u'a',u'b',u'c'],[u'c',u'f',u'a'],[u'ab',u'cd',u'gh']...]

RDD2：

[(10.1, 10.0), (23.0, 34.0), (45.0, 23.0),....]

RDDs 的行数相同（但一个在每行/记录中有 2 个列/元素，一个有 3 个）。现在我想做的是从RDD1 中取出RDD2 和2nd 记录中的所有元素，并将它们写到本地文件系统（不是hdfs）上的csv 文件。因此，上述示例的csv 文件中的输出将是：

a,b,c,10.0
c,f,a,34.0
ab,cd,gh,23.0

如何在PySpark 中做到这一点？

更新：这是我当前的代码：

columns_num = [0,1,2,4,7]
rdd1 = rdd3.map(lambda row: [row[i] for i in columns_num])

rdd2 = rd.map(lambda tup: (tup[0], tup[1]+ (tup[0]/3)) if tup[0] - tup[1] >= tup[0]/3 else (tup[0],tup[1]))

with open("output.csv", "w") as fw:
    writer = csv.writer(fw)
    for (r1, r2) in izip(rdd1.toLocalIterator(), rdd2.toLocalIterator()):
        writer.writerow(r1 + tuple(r2[1:2]))

我收到TypeError: can only concatenate list (not "tuple") to list 的错误。如果我这样做writer.writerow(tuple(r1) + r2[1:2])，那么我会收到错误UnicodeEncodeError: 'ascii' codec can't encode character u'\x80' in position 16: ordinal not in range(128) `

Answer 1

如果本地是指驱动程序文件系统，那么您可以简单地collect 或转换toLocalIterator 并写入：

import csv
import sys
if sys.version_info.major == 2:
    from itertools import izip
else:
    izip = zip

rdd1 = sc.parallelize([(10.1, 10.0), (23.0, 34.0), (45.0, 23.0)])
rdd2 = sc.parallelize([("a", "b" ," c"), ("c", "f", "a"), ("ab", "cd", "gh")])

with open("output.csv", "w") as fw:
    writer = csv.writer(fw)
    for (r1, r2) in izip(rdd2.toLocalIterator(), rdd1.toLocalIterator()):
        writer.writerow(r1 + r2[1:2])